【正解の解説】
単一の中心単語を入力として与え、その周囲に出現する複数の文脈単語を同時に予測する。
CBOWは周囲の言葉から中心の言葉を当てますが、逆に中心の言葉から周辺を当てる手法はSkip-gramと呼ばれます。料理のたとえで言えば、材料（周辺語）から料理名（中心語）を当てるのがCBOWで、料理名から使われた材料をすべて当てようとするのがSkip-gramという違いがあります。この入力と出力の向きが真逆になる点が試験で非常によく狙われる引っ掛けポイントなので、両者の関係性をセットで正確に整理しておきましょう。
【その他の選択肢の解説】
複数の周囲にある文脈単語を入力として与え、その中心に位置する単語を予測する。
試験では「中心から周辺を予測する」という逆のモデル（Skip-gram）と混同させようと出題されます。CBOWは英語のContinuous Bag-of-Wordsの略で、カバンの中にごちゃ混ぜになった周辺の単語たちを手がかりにして、すっぽり抜けた真ん中の単語を穴埋め問題のように当てはめるイメージです。文脈全体から真ん中を推測するという基本アプローチをしっかり押さえておけば、類似モデルとの違いで迷うことがなくなります。
文書全体のトピック分布を確率的に推定し、各単語の出現確率を直接モデル化する。
単語の分散表現を学習するWord2Vecと、文書全体の話題の偏りを確率的に計算するトピックモデルは、どちらも自然言語処理でよく使われるため初学者が混同しがちです。Word2Vecは文章全体のトピックを直接扱うのではなく、あくまで単語同士の局所的な並びや文脈関係に注目してベクトルを作ります。試験ではこのように全く異なる自然言語処理のアルゴリズムの定義を混ぜ合わせて出題されることが多いので注意が必要です。
得られた単語ベクトル同士の足し算や引き算によって意味的なアナロジー関係を計算する。
「国王 － 男性 ＋ 女性 ＝ 女王」のような有名な単語ベクトルの足し算・引き算による意味的アナロジー計算は、CBOWでもSkip-gramでもどちらのアーキテクチャで作成したベクトルでも実現可能です。したがって、この計算ができること自体は誤りではなく、CBOW特有の処理内容として不適切とは言えないため、問題文の「不適切なものを選ぶ」という条件に照らし合わせて除外すべき記述となります。