Gensim Doc2vec 模型聚类成 K-means

Question

我是 doc2vec 的新手，我希望你们中的一些人可以帮助我解决这个问题。 我问过很多人关于这个问题，但没有人知道解决方案。

我想做的是将 Doc2vec 结果聚类到 k-means 中。请看下面的代码。

mbk = MiniBatchKMeans(n_clusters=3, init_size=400, batch_size=300, verbose=1).fit(model_dm.docvecs[range([2000])                                                                                                 
MiniBatchKMeans.predict(mbk,mbk.labels_ )

我收到此错误。

TypeErrorTraceback (most recent call last)
<ipython-input-19-fbc57a13bf4b> in <module>()
      6 
      7 
----> 8 mbk = MiniBatchKMeans(n_clusters=3, init_size=400, batch_size=300, verbose=1).fit(model_dm.docvecs[:2000])
      9 
     10 #model_dm.docvecs.doctag_syn0[2000]

/usr/local/lib64/python2.7/site-packages/gensim/models/doc2vec.pyc in __getitem__(self, index)
    351             return self.doctag_syn0[self._int_index(index)]
    352 
--> 353         return vstack([self[i] for i in index])
    354 
    355     def __len__(self):

TypeError: 'slice' object is not iterable

Answer 1

您正在尝试在这部分代码上聚集一个文档向量（准确地说是第 2001 个向量）：

.fit(model_dm.docvecs[2000]) 

我假设您想要前 2000 个向量？

编辑：

查看 gensim 文档后，找不到获取文档向量切片的方法。但是查看source code DocvecsArray 接受单个键（int 或str）或键列表。有了它，您可以使用以下方法获得前 2000 个向量：

.fit(model_dm.docvecs[range(2000)])

它看起来并不令人满意，所以如果我以后能找到其他方法，我会修正我的答案。

还请记住，这些不是第一个 2000 个向量，因为 gensim 似乎将 docvecs 存储为键：值对并且字典没有排序。

第二次编辑：

K-means 部分代码也需要修复，你调用的是MiniBatchKMeansclass'predict函数。并将类实例 (mbk) 作为参数。如果您需要预测其他任何内容，则需要调用类实例（在这种情况下为 mbk）predict 函数。我想你不会。

您可以使用下面的代码获取分配的标签。

mbk = MiniBatchKMeans(n_clusters=3, init_size=400, batch_size=300, verbose=1).fit(model_dm.docvecs[range(2000])
mbk.labels_