1简单我们再打开word要刚建个空白区域的文档，最好别有数据格式，图中。
2接着我们再点上方的【表格】，在弹出的选项点【直接插入】，二级选项再点【表格】，如图1。
3然后再我们只要刚建一个表格，格式如下图，不要乱改格式，空间四边形。
4之后我们然后输入没有要求积的数据，默认情况下，横向每个单元格是a1，a2，a3.....这样的排列顺序，纵向是b1、b2、b3....那样的话顺序排列，图中。
5然后我们在上面点击【再插入】，在选项里点击【公式】，图中。
6然后再我们再打开如图的公式窗口，键入【prudict】公式，这个是求积专用，空间四边形。
7然后把后面我们输入输入求积的数据，那就是数据单元格的默认名称，在括号里键入名称并隔开即可解决，默认是求积，如图。
8然后把下面的设置不必须键入，我们直接点击考虑即可，如图1。
9最后我们就求积完成啦，得到了运算结果，图中。
embedding问题一直是nlp领域里非常比较热门问题。近十多年来，有很多工作是依靠rnn、cnn等神经网络对词进行组合（compositionoperators）以能得到句子它表示，但这大部分也是监督自学，因为某个特定领域的特定需求，能够得到的句子向量的通用型不强。
nips15的论文，来自ryankiros等人做出的skip-thoughtvectors受word2vec中skip-gram的启发，把词级别的embedding储存到句子级别embedding，模型称作skip-thought，得到的句子向量一般称skip-thoughtvectors.
这篇论文的优点主要注意有2点：
1）skip-thought是无专门监督的通用式句子它表示方法，借用书中文本的连续性，训练一个编码器-解码器模型，借着重建一个句子段落的周围句子，令语义和句法上相似的句子有相象的向量它表示。
2）skip-thought的另一个贡献是vocabularymapping。介绍了一种简单的词汇扩展方法，将未被视为训练的单词编码，让词汇量可以不扩大到一百万个单词。相对于没在训练集再次出现的词，按照mappingreturningwordembeddingpre-trainedreturningword2vec，用一个没有正则的l2学得反照矩阵w，让横竖斜的词向量都能在skip-thought中有个最合适的表示。embedding问题一直都是nlp领域里极为太热门问题。近年来，有很多工作是依靠rnn、cnn等神经网络对词进行阵列（compositionoperators）以能够得到句子来表示，但这大部分是监督和指导学，根据某个特定领域的特定需求，能得到的句子向量的通用型不强。
nips15的论文，不知从何而来ryankiros等人提议的skip-thoughtvectors受word2vec中skip-gram的启发，把词级别的embedding扩大到句子级别embedding，模型称作skip-thought，我得到的句子向量称为skip-thoughtvectors.
这篇论文的优点主要注意有2点：
1）skip-thought是无监督的通用式句子意思是方法，借用书中文本的连续性，训练一个编码器-解码器模型，借着重新修复一个句子段落的周围句子，使得语义和句法上有几分相似的句子有几乎一样的向量它表示。
2）skip-thought的另一个贡献是vocabularymapping。推荐了一种简单的词汇储存方法，将未被纳入训练的单词编码，让词汇量可以向外扩展到一百万个单词。这对没在训练出现的词，按照mappingfromwordembeddingpre-trainedfromword2vec，用一个没有正则的l2学得映到矩阵w，使得输入的词向量都能在skip-thought中有另一个合适的可以表示。
skip-thought的结构是一个encoder-decoder模型，encoder你们负责把词序列编码成一个句子向量，decode单独化合该句子的上下文向量。encoder输出一个向量，decoder在这个向量的基础上生成一个句子。无关encoder和decoder的结构你选择上论文中也做了几个你选择实验，以及convnet-rnn,rnn-rnn，lstm-lstm，加入attentionmechanism等。
skip-thought在8个任务上使用线性模型对向量通过评估：语义、释义检测、图像句子排序、问题类型分类和4个情绪和主观性数据集分类问题。实验结果因为：skip-thought这个可以才能产生水平距离通用的相对稳健的句子意思是，并在实践中表现良好素质。
下图就对句子接受向量可以表示之后，参照cosine相似度计算出出去的句子结果：
