如何使用 Doc2vec 获取两个文本文档的文档向量？ 我是新手，所以如果有人能指出我正确的方向/帮助我一些教程会很有帮助
我正在使用 gensim。
doc1=["This is a sentence","This is another sentence"]
documents1=[doc.strip().split(" ") for doc in doc1 ]
model = doc2vec.Doc2Vec(documents1, size = 100, window = 300, min_count = 10, workers=4)
我明白了
AttributeError: 'list' 对象没有属性 'words'
每当我运行它时。
【问题讨论】：
如果要训练 Doc2Vec 模型，您的数据集需要包含单词列表（类似于 Word2Vec 格式）和标签（文档 ID）。它还可以包含一些附加信息（有关更多信息，请参阅https://github.com/RaRe-Technologies/gensim/blob/develop/docs/notebooks/doc2vec-IMDB.ipynb）。
# Import libraries
from gensim.models import doc2vec
from collections import namedtuple
# Load data
doc1 = ["This is a sentence", "This is another sentence"]
# Transform data (you can add more data preprocessing steps)
docs = []
analyzedDocument = namedtuple('AnalyzedDocument', 'words tags')
for i, text in enumerate(doc1):
words = text.lower().split()
tags = [i]
docs.append(analyzedDocument(words, tags))
# Train model (set min_count = 1, if you want the model to work with the provided example data set)
model = doc2vec.Doc2Vec(docs, size = 100, window = 300, min_count = 1, workers = 4)
# Get the vectors
model.docvecs[0]
model.docvecs[1]
更新（如何在 epoch 中训练）： 这个例子已经过时了，所以我删除了它。有关 epoch 训练的更多信息，请参阅 this answer 或 @gojomo 的评论。
【讨论】：
namedtuple 的想法，但让我感到困惑的是是否有 doc2？看起来tags 是句子的id，而不是文档。 docs list 看起来好像里面可以有多个文档。
doc1。但是，您可以从documents1=[doc.strip().split(" ") for doc in doc1 ] 行中猜到这一点
alpha，并且不在自己的循环中多次调用train()。相反，使用所需的epochs 参数调用一次train()。它将平稳地管理学习率alpha，从其起始值到最终值，跨越数据的所有重复传递。
Gensim 已更新。 LabeledSentence 的语法不包含标签。现在有标签 - 请参阅 LabeledSentence https://radimrehurek.com/gensim/models/doc2vec.html
的文档但是，@bee2502 是正确的
docvec = model.docvecs[99]
它应该是训练模型的第 100 个向量的值，它适用于整数和字符串。
【讨论】：
doc=["This is a sentence","This is another sentence"]
documents=[doc.strip().split(" ") for doc in doc1 ]
model = doc2vec.Doc2Vec(documents, size = 100, window = 300, min_count = 10, workers=4)
我得到 AttributeError: 'list' object has no attribute 'words' 因为 Doc2vec() 的输入文档的 LabeledSentence 格式不正确。 我希望下面的这个例子能帮助你理解格式。
documents = LabeledSentence(words=[u'some', u'words', u'here'], labels=[u'SENT_1'])
更多详情在这里：http://rare-technologies.com/doc2vec-tutorial/
但是，我通过使用 TaggedLineDocument() 从文件中获取输入数据解决了这个问题。
文件格式：一份文档 = 一行 = 一个 TaggedDocument 对象。
单词应该已经被预处理并用空格分隔，标签是从文档行号自动构建的。
sentences=doc2vec.TaggedLineDocument(file_path)
model = doc2vec.Doc2Vec(sentences,size = 100, window = 300, min_count = 10, workers=4)
获取文档向量： 您可以使用 docvecs。更多详情：https://radimrehurek.com/gensim/models/doc2vec.html#gensim.models.doc2vec.TaggedDocument
docvec = model.docvecs[99]
其中 99 是我们想要的向量的文档 ID。如果标签是整数格式（默认情况下，如果您使用 TaggedLineDocument() 加载），请像我一样直接使用整数 id。如果标签是字符串格式，请使用 "SENT_99" 。这类似于 Word2vec
【讨论】：
from gensim.models.doc2vec import Doc2Vec, TaggedDocument
Documents = [TaggedDocument(doc, [i]) for i, doc in enumerate(doc1)]
Model = Doc2Vec(Documents, other parameters~~)
这应该可以正常工作。您需要标记您的文档以训练doc2vec 模型。
【讨论】：