我是 doc2vec 的新手，我希望使用它对一组文本进行分类。
我对 TaggedDocument 和 TaggedLineDocument 感到困惑。
1) 两者有什么区别？ TaggedLineDocument 是 TaggedDocument 的集合吗？
2) 如果我有一个包含所有文件的目录，如何为它们生成特征向量？我应该创建一个新文件，其中每一行都包含目录中文件的文本吗？
【问题讨论】：
标签： nlp gensim word2vec text-classification doc2vec
TaggedDocument 是一个说明性类，用于表示Doc2Vec 可以作为文本示例的对象。您不需要使用它——您只需要提供具有words 属性（字符串标记列表）和tags 属性（与文档关联的标签列表）的对象。 （也就是说，您可以将文本示例提供为像 TaggedDocument 这样的“形状”或“鸭式”对象。）
TaggedLineDocument 是一个实用程序类，用于获取一个文件，该文件每行有一个文档，其标记词已经用空格分隔，并将其转换为 TaggedDocuments 的可迭代集合，其中每个文档都有其作为仅标记其整数行号。因此，这是将文本流式传输到Doc2Vec 的最小示例，用于将单个 doc-per-line 文本文件作为输入的常见情况，并且不需要自定义 per-doc 标记/ID。
如果您的数据是其他格式，则不能直接使用TaggedLineDocument，但它可能是一个有用的起点。如果您可以使用从 0 到文档计数的简单标签，则可以将格式转换为 TaggedLineDocument 期望的单个文件。
或者，特别是如果您需要使用自定义标签，您可以编写自己的类，将您的数据源（无论是一组文件、网络资源还是数据库）转换为一个可迭代对象，该对象发出一个 @每个示例的 987654331@-like 对象。
【讨论】：