我正在尝试使用训练数据训练 doc2vec 模型，然后使用训练好的 doc2vec 模型。但是，我无法确定如何执行此操作。
我目前使用model.docvecs.most_similar(...)。但是，此函数仅查找 训练数据 中每个文档与 测试数据 中特定文档的相似度。
我尝试使用model.docvecs.n_similarity(inferred_vector.tolist(), testvectors[i].tolist()) 手动比较测试数据中特定文档的推断向量与测试数据中所有其他文档的推断向量，但这会返回KeyError: "tag '-0.3502606451511383' not seen in training corpus/invalid"，因为字典中没有向量。
【问题讨论】：
标签： python machine-learning gensim doc2vec
训练Doc2Vec 模型的行为会留下从训练数据中学习到的文档向量的记录，是的，most_similar() 只是在这些向量中查找。
通常，对不属于培训的新文档进行任何操作都需要使用infer_vector()。注意这样的推论：
most_similar() 类比较另一方面，这种来自“冻结”模型的推断可以跨进程或跨机器并行化。
您提到的n_similarity() 方法并不真正适合您的需求：它需要现有文档向量的查找键（“标签”）列表，不是像你这样的原始向量'补货。
您在回答中提到的similarity_unseen_docs() 方法有些合适，但只需要一对文档，每次都重新计算它们的向量——如果需要将一个新文档的文档向量与许多其他文档向量进行比较，那就有点浪费了新文档的文档向量。
您可能只想使用“训练文档”和“测试文档”来训练一个全新的模型。然后，作为批量训练的一部分，所有“测试文档”都会计算它们的 doc-vector，并将其存储在模型中。对于许多可能的应用程序来说，这是一个合适的选择，并且确实可以以完全无监督的方式基于仅出现在“测试文档”中的单词来学习有趣的关系。而且您的问题还没有任何部分说明为什么不能在这里考虑的原因。
或者，您想要infer_vector() 所有新的“测试文档”，并将它们放入一个类似于gensim 中的各种KeyedVectors 实用程序类的结构中 - 记住一个数组中的所有向量，记住从 doc-key 映射到向量索引，并在向量集上提供有效的批量 most_similar()。
【讨论】：
KeyedVectors 仅适用于 Word2Vec 功能。这不是真的吗？
Doc2Vec 模型的.docvecs 属性本身就是KeyedVectors 的一种（特别是Doc2VecKeyedVectors）。 gensim 的keyedvectors.py (github.com/RaRe-Technologies/gensim/blob/develop/gensim/models/…) 中的各种类支持在 word2vec-related-family 模型系列中的大量使用的类似操作。我发现它们当前的化身有点奇怪/重复，但我的观点是，其中可能有一些东西你可以用来保存你自己的增量批次推断向量——或者用作你自己的类似功能代码的模型/基础。
原来有一个叫做similarity_unseen_docs(...)的函数可以用来在测试数据中找出两个文档的相似度。
但是，我暂时不解决这个问题，因为它不是非常理想，因为我需要手动将特定文档与 测试数据 中的所有其他文档进行比较。此外，它会比较文档中的单词而不是可能影响准确性的向量。
【讨论】：