CBOW模型，全稱Continuous Bag-of-Word Model，是一種用於生成詞向量的神經網路模型，屬於word2vec框架下的模型之一。CBOW模型的核心思想是通過給定一個單詞的上下文（即視窗內的其他單詞），來預測該單詞本身。
CBOW模型的架構主要包括三層：輸入層、投影層和輸出層。在輸入層，模型的輸入是一串文本，通常文本的長度設定為2n+1（n為上下文單詞的個數），例如，可以設定為前後各2個詞語來預測中間位置的詞語。在投影層，將輸入層中的每個單詞的詞向量進行累加，得到一個全新的向量。最後，在輸出層，通過對這個新向量進行softmax操作，得出在給定輸入詞向量下，另一個詞出現的機率。
CBOW模型的訓練目標是最大化給定上下文時中心單詞出現的機率，即最大化y[t]。這等價於最小化交叉熵損失函式。通過反向傳播算法來求導，並通過隨機梯度下降法來更新參數。訓練完成後，我們可以將輸入層到隱藏層之間的權重矩陣W或者隱藏層到輸出層之間的權重矩陣U作為生成的詞向量矩陣。
CBOW模型相比於傳統的基於計數或者基於矩陣分解等方法生成詞向量有以下優點：能夠利用大規模語料庫進行訓練；能夠學習到高質量且低維度（通常在50~300之間）的稠密向量，節省存儲空間和計算資源；能夠捕捉單詞之間的複雜關係，如同義詞、反義詞、類比關係等。但也有以下缺點：忽略了上下文單詞的順序，只考慮了它們的累加效果；對於低頻或者生僻單詞，可能無法生成準確的詞向量；需要大量的訓練時間和記憶體空間。