Doc2vec：gensim doc2vec模型中只有10个docvecs？

Posted 2021-04-18

我使用gensim拟合doc2vec模型，标记文档（长度> 10）作为训练数据。目标是获取所有训练文档的doc向量，但在model.docvecs中只能找到10个向量。

训练数据的例子（长度> 10）

docs = ['This is a sentence', 'This is another sentence', ....]

有一些预处理

doc_=[d.strip().split(" ") for d in doc]
doc_tagged = []
for i in range(len(doc_)):
  tagd = TaggedDocument(doc_[i],str(i))
  doc_tagged.append(tagd)

标记的文档

TaggedDocument(words=array(['a', 'b', 'c', ..., ],
  dtype='<U32'), tags='117')

适合doc2vec模型

model = Doc2Vec(min_count=1, window=10, size=100, sample=1e-4, negative=5, workers=8)
model.build_vocab(doc_tagged)
model.train(doc_tagged, total_examples= model.corpus_count, epochs= model.iter)

然后我得到了最终的模型

len(model.docvecs)

结果是10 ...

我尝试了其他数据集（长度> 100,1000）并获得了与len(model.docvecs)相同的结果。所以，我的问题是：如何使用model.docvecs来获取完整的向量？ （不使用model.infer_vector）model.docvecs是否旨在提供所有训练docvecs？

答案

错误在这一行：

tagd = TaggedDocument(doc[i],str(i))

Gensim的TaggedDocument接受一系列标签作为第二个参数。当你传递一个字符串'123'时，它变成了['1', '2', '3']，因为它被视为一个序列。结果，所有文档都以各种组合标记了10个标签['0', ..., '9']。

另一个问题：您正在定义doc_并且从未实际使用它，因此您的文档也将被错误地拆分。

这是正确的解决方案：

docs = [doc.strip().split(' ') for doc in docs]
tagged_docs = [doc2vec.TaggedDocument(doc, [str(i)]) for i, doc in enumerate(docs)]