为什么 Gensim Doc2vec 对象返回空文档标签？

Question

我的问题是我应该如何解释我的情况？

我按照本教程 https://blog.griddynamics.com/customer2vec-representation-learning-and-automl-for-customer-analytics-and-personalization/ 训练了一个 Doc2Vec 模型。

由于某种原因，doc_model.docvecs.doctags 返回{}。但是doc_model.docvecs.vectors_docs 似乎返回了一个正确的值。

为什么 doc2vec 对象只返回vectors_docs 而不返回任何doctags？

感谢您提前提供任何 cmet 和答案。

这是我用来训练 Doc2Vec 模型的代码。

from gensim.models.doc2vec import LabeledSentence, TaggedDocument, Doc2Vec
import timeit
import gensim

embeddings_dim = 200    # dimensionality of user representation

filename = f'models/customer2vec.{embeddings_dim}d.model'
if TRAIN_USER_MODEL:

    class TaggedDocumentIterator(object):
        def __init__(self, df):
           self.df = df
        def __iter__(self):
            for row in self.df.itertuples():
                yield TaggedDocument(words=dict(row._asdict())['all_orders'].split(),tags=[dict(row._asdict())['user_id']])

    it = TaggedDocumentIterator(combined_orders_by_user_id)

    doc_model = gensim.models.Doc2Vec(vector_size=embeddings_dim, 
                                      window=5, 
                                      min_count=10, 
                                      workers=mp.cpu_count()-1,
                                      alpha=0.055, 
                                      min_alpha=0.055,
                                      epochs=20)   # use fixed learning rate

    train_corpus = list(it)

    doc_model.build_vocab(train_corpus)

    for epoch in tqdm(range(10)):
        doc_model.alpha -= 0.005                    # decrease the learning rate
        doc_model.min_alpha = doc_model.alpha       # fix the learning rate, no decay
        doc_model.train(train_corpus, total_examples=doc_model.corpus_count, epochs=doc_model.iter)
        print('Iteration:', epoch)

    doc_model.save(filename)
    print(f'Model saved to [{filename}]')

else:
    doc_model = Doc2Vec.load(filename)
    print(f'Model loaded from [{filename}]')

doc_model.docvecs.vectors_docs返回

Answer 1

如果您提供的所有 tags 都是纯 Python 整数，则这些整数将用作向量数组的直接索引。

这节省了维护从任意标签到索引的映射的开销。

但是，它也可能导致向量数组的过度分配，对于您提供的最大 int 标记来说足够大，即使从未使用过其他较低的 int。 （也就是说：如果您提供了一个带有tags=[1000000] 的文档，它将分配一个足以容纳标签 0 到 1000000 的数组，即使这些标签中的大多数从未出现在您的训练数据中。）

如果您希望model.docvecs.doctags 收集所有标签的列表，请使用字符串标签而不是纯整数。

另外：不要在您自己的循环中多次调用train()，或在您自己的代码中管理alpha 学习率，除非您有充分的理由这样做。它效率低下且容易出错。 （例如，您的代码实际上执行了 200 个训练周期，如果您在不仔细调整 alpha 增量的情况下增加循环计数，您可能会得到无意义的负 alpha 值——这是一个非常常见的错误遵循这种不良做法的代码。使用所需的时期数调用一次.train()。将alpha 和min_alpha 设置为合理的起始值和接近零的值——可能只是默认值，除非你确定你的更改有帮助——然后别管他们。