Doc2vec:如何获取文档向量

时间:2015-07-09 14:57:46

标签: python gensim word2vec

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/帮助我做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)

我得到了

  

AttributeError:'list'对象没有属性'words'

每当我跑这个。

4 个答案:

答案 0 :(得分:38)

如果您想训练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)。它还可以包含一些其他信息(有关详细信息,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(如何在时代中训练): Doc2Vec函数包含alphamin_alpha参数,但这意味着学习率在alphamin_alpha的一个时期内衰减。要训​​练几个时期,请手动设置学习率,如下所示:

from gensim.models import doc2vec
import random

alpha_val = 0.025        # Initial learning rate
min_alpha_val = 1e-4     # Minimum for linear learning rate decay
passes = 15              # Number of passes of one document during training

alpha_delta = (alpha_val - min_alpha_val) / (passes - 1)

model = doc2vec.Doc2Vec( size = 100 # Model initialization
    , window = 300
    , min_count = 1
    , workers = 4)

model.build_vocab(docs) # Building vocabulary

for epoch in range(passes):

    # Shuffling gets better results

    random.shuffle(docs)

    # Train

    model.alpha, model.min_alpha = alpha_val, alpha_val

    model.train(docs)

    # Logs

    print('Completed pass %i at alpha %f' % (epoch + 1, alpha_val))

    # Next run alpha

    alpha_val -= alpha_delta

答案 1 :(得分:34)

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

然而,@ bee2502是正确的

docvec = model.docvecs[99] 

它应该是训练模型的第100个向量值,它适用于整数和字符串。

答案 2 :(得分:25)

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)

我得到了AttributeError:'list'对象没有属性'words',因为Doc2vec()的输入文档没有正确的LabeledSentence格式。 我希望下面的例子可以帮助您理解格式。

documents = LabeledSentence(words=[u'some', u'words', u'here'], labels=[u'SENT_1']) 

详情请见http://rare-technologies.com/doc2vec-tutorial/ 但是,我通过使用TaggedLineDocument()从文件中获取输入数据来解决问题 文件格式:一个文档=一行=一个TaggedDocument对象。 预期单词已经过预处理并用空格分隔,标签是从文档行号自动构造的。

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是我们想要的矢量的文档ID。如果标签是整数格式(默认情况下,如果使用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

答案 3 :(得分:0)

from gensim.models.doc2vec import Doc2Vec, TaggedDocument 
Documents = [TaggedDocument(doc, [i]) for i, doc in enumerate(doc1)]
Model = Doc2Vec(Documents, other parameters~~)

这应该工作正常。您需要标记文档以训练doc2vec模型。