请帮助我理解TaggedDocument
的{{1}}和LabeledSentence
之间的区别。我的最终目标是使用gensim
模型和任何分类器进行文本分类。我正在关注blog!
Doc2Vec
我的问题class MyLabeledSentences(object):
def __init__(self, dirname, dataDct={}, sentList=[]):
self.dirname = dirname
self.dataDct = {}
self.sentList = []
def ToArray(self):
for fname in os.listdir(self.dirname):
with open(os.path.join(self.dirname, fname)) as fin:
for item_no, sentence in enumerate(fin):
self.sentList.append(LabeledSentence([w for w in sentence.lower().split() if w in stopwords.words('english')], [fname.split('.')[0].strip() + '_%s' % item_no]))
return sentList
class MyTaggedDocument(object):
def __init__(self, dirname, dataDct={}, sentList=[]):
self.dirname = dirname
self.dataDct = {}
self.sentList = []
def ToArray(self):
for fname in os.listdir(self.dirname):
with open(os.path.join(self.dirname, fname)) as fin:
for item_no, sentence in enumerate(fin):
self.sentList.append(TaggedDocument([w for w in sentence.lower().split() if w in stopwords.words('english')], [fname.split('.')[0].strip() + '_%s' % item_no]))
return sentList
sentences = MyLabeledSentences(some_dir_name)
model_l = Doc2Vec(min_count=1, window=10, size=300, sample=1e-4, negative=5, workers=7)
sentences_l = sentences.ToArray()
model_l.build_vocab(sentences_l )
for epoch in range(15): #
random.shuffle(sentences_l )
model.train(sentences_l )
model.alpha -= 0.002 # decrease the learning rate
model.min_alpha = model_l.alpha
sentences = MyTaggedDocument(some_dir_name)
model_t = Doc2Vec(min_count=1, window=10, size=300, sample=1e-4, negative=5, workers=7)
sentences_t = sentences.ToArray()
model_l.build_vocab(sentences_t)
for epoch in range(15): #
random.shuffle(sentences_t)
model.train(sentences_t)
model.alpha -= 0.002 # decrease the learning rate
model.min_alpha = model_l.alpha
与model_l.docvecs['some_word']
相同?
您能否提供良好来源的网络链接,以便掌握model_t.docvecs['some_word']
或TaggedDocument
的工作原理。
答案 0 :(得分:6)
LabeledSentence
是一个较旧的,已弃用的名称,用于封装文本示例的同一个简单对象类型,现在称为TaggedDocument
。任何具有words
和tags
属性的对象(每个属性都有一个列表)都可以。 (words
始终是字符串列表; tags
可以是整数和字符串的混合,但在通用且最有效的情况下,只是一个具有单个id整数的列表,从0开始。)
model_l
和model_t
将起到相同的作用,使用相同的参数训练相同的数据,只使用不同的对象名称。但是他们为单个单词标记(model['some_word']
)或文档标记(model.docvecs['somefilename_NN']
)返回的向量可能会有所不同 - Word2Vec / Doc2Vec初始化和训练中的随机性 - 采样,并通过多线程训练中的排序抖动引入。