请分别阐述Word2Vec、Glove词向量的基本原理和 优缺点。

Word2Vec和Glove都是常见的词向量模型，这两个模型的基本原理和优缺点如下：

Word2Vec：
基本原理：Word2Vec是通过训练神经网络来生成词向量的。它包含两个模型：CBOW和Skip-Gram。CBOW是根据上下文预测中心词，Skip-Gram是根据中心词预测上下文。Word2Vec的核心思想是使用词语在上下文中出现的概率来预测词向量。在训练过程中，模型会不断地调整词向量，以使得词向量能够更好地表示词语在语义上的相似性。

优点：Word2Vec是一种简单而有效的模型，具有很高的运行效率和准确性。它可以为每个词生成一个向量，使得词语之间的相似度可以很好地计算和比较。此外，Word2Vec模型可以通过不同的训练数据集来生成不同的词向量，从而适应不同的应用场景。

缺点：Word2Vec词向量的生成过程很容易受到数据的影响，如果训练数据集不够大或不够多样化，则会影响词向量的质量。此外，Word2Vec无法处理多义词的问题，同一个词语可能会有不同的含义，但它只能生成一个词向量。

Glove：
基本原理：Glove是一种基于全局词频的词向量模型。它使用了全局词语共现矩阵来生成词向量。该矩阵记录了每个词语和其他词语在同一上下文中出现的频率。Glove通过最小化词向量之间的距离来学习词向量。它的核心思想是，如果两个词语在同一上下文中出现的频率很高，那么它们之间的距离应该更近。

优点：Glove模型可以处理多义词的问题，因为它使用了全局词频信息。此外，它的词向量生成过程很稳定，不受数据集大小和多样性的影响。另外，Glove可以将多个不同的语料库合并在一起来生成词向量，从而提高词向量的质量和适用性。

缺点：Glove模型的运行效率相对较低，因为它需要计算全局词共现矩阵。此外，该模型无法处理停用词和生僻词的问题，因为这些词语在全局词频矩阵中出现的次数很少。