Google于2013年推出词向量处理工具word2vec,用于将自然语言这种符号信息转化成向量形式的数字信息,其独特地采用低维空间表示海量词汇的核心思想不仅解决了以往采用one-hot encoder引起的稀疏性和维度灾难问题,而且还能挖掘词之间的潜在联系,从而在词义的角度提高语言的理解准确度。Word2vec训练词向量,即把文本中的词语映射到一个新的空间中,并且以多维的连续实数向量进行表示。在使用word2vec训练词向量过程中,有诸多因素可以影响训练词向量的质量。本文以生成词向量的耗时以及嵌入词向量的文本分类模型的精准度作为两个评判优劣的标准,通过进行一次一因子实验和正交实验,研究了语料、模型、训练算法以及向量维度这四个因素对这两个优劣指标的影响情况,遴选出对word2vec训练词向量有显著影响的因素,尝试找出最佳因子水平组合,并做了验证实验,为优化word2vec所生成的词向量提供一定的参考。本文通过两个实验,发现如下现象:待处理文本应尽可能与参与词向量的训练文本相近,否则需要扩充训练语料的广度;当处理文本是包含大量罕见词的新闻时,Skip-gram模型和Hierarchical Softmax算法的组合表现较为出色。