在此页面中，据说：
[...] skip-gram 反转上下文和目标，并尝试从其目标词预测每个上下文词 [...]
但是，查看它生成的训练数据集，X 和 Y 对的内容似乎是可以互换的，因为这两个 (X, Y) 对：
(quick, brown), (brown, quick)
那么，如果最终是同一件事，为什么要在上下文和目标之间区分那么多呢？
另外，在 word2vec 上做 Udacity 的深度学习课程练习，我想知道为什么他们在这个问题上似乎对这两种方法有很大的不同：
skip-gram 的替代方案是另一个 Word2Vec 模型，称为 CBOW（连续词袋）。在 CBOW 模型中，不是从词向量预测上下文词，而是根据上下文中所有词向量的总和来预测一个词。实施和评估在 text8 数据集上训练的 CBOW 模型。
这不会产生相同的结果吗？
这是我对差异的过于简单且相当幼稚的理解：
众所周知，CBOW正在学习根据上下文预测单词。或者通过查看上下文来最大化目标词的概率。这恰好是稀有词的问题。例如，给定上下文yesterday was a really [...] dayCBOW 模型会告诉您这个词很可能是beautifulor nice。像这样的词delightful将很少受到模型的关注，因为它旨在预测最可能的词。这个词将在许多具有更频繁词的示例中平滑。
另一方面，skip-gram模型旨在预测上下文。给定这个词delightful，它必须理解它并告诉我们上下文很有可能是yesterday was really [...] day，或者其他一些相关的上下文。使用skip-gram，单词delightful不会尝试与单词竞争，beautiful而是delightful+context将成对视为新的观察结果。
更新
感谢@0xF 分享这篇文章
根据米科洛夫
Skip-gram：适用于少量训练数据，甚至可以很好地表示罕见的单词或短语。
CBOW：训练速度比skip-gram快几倍，对频繁词的准确率略高
在这里可以找到该主题的另一项补充：
在替代“CBOW”的“skip-gram”模式中，不是平均上下文词，而是将每个词用作成对训练示例。也就是说，代替一个 CBOW 示例，例如 [predict 'ate' from average('The', 'cat', 'the', 'mouse')]，向网络呈现四个 skip-gram 示例 [predict ' ate' from 'The']，[predict 'ate' from 'cat']，[predict 'ate' from 'the']，[predict 'ate' from 'mouse']。（同样的随机窗口减少发生，所以一半的时间只是两个例子，最接近的词。）
它与您在任何给定点计算的确切内容有关。如果您开始查看为每个概率计算包含更大上下文的模型，则差异会变得更加明显。
在 skip-gram 中，您正在从句子中当前位置的单词计算上下文单词；您在计算中“跳过”了当前单词（可能还有一些上下文）。结果可以多于一个词（但如果您的上下文窗口只有一个词长，则不会）。
在 CBOW 中，您是根据上下文词计算当前词，因此您将永远只有一个词作为结果。
在深度学习课程中，来自 coursera https://www.coursera.org/learn/nlp-sequence-models?specialization=deep-learning您可以看到 Andrew NG 没有切换上下文目标概念。这意味着目标词将始终被视为要预测的词，无论是 CBOW 还是 skip-gram。