对于gensim（1.0.1）doc2vec，我正在尝试加载谷歌预训练的单词向量，而不是使用Doc2Vec.build_vocab
wordVec_google = gensim.models.KeyedVectors.load_word2vec_format('GoogleNews-vectors-negative300.bin', binary=True)
model0 = Doc2Vec(size=300, alpha=0.05, min_alpha=0.05, window=8, min_count=5, workers=4, dm=0, hs=1)
model0.wv = wordVec_google
##some other code
model0.build_vocab(sentences=allEmails, max_vocab_size = 20000)
但是此对象model0无法使用“标记文档”进一步训练，并且无法推断文档的向量。
任何人都知道如何将doc2vec与谷歌预训练的单词向量一起使用？
我试过这篇文章：http://mccormickml.com/2016/04/12/googles-pretrained-word2vec-model-in-python/
但它无法加载到gensim.models.Word2Vec对象中，也许它是一个不同的gensim版本。
答案 0 :(得分：4)
GoogleNews向量只是原始向量 - 而不是完整的Word2Vec模型。
此外，gensim Doc2Vec类对加载预训练的单词向量没有一般支持。 Doc2Vec算法不需要经过预先训练的单词向量 - 只有一些模式甚至使用这样的向量，当它们这样做时，它们会根据需要与doc向量同时进行训练。
具体来说，您的代码使用的模式dm=0是“段落向量”PV-DBOW模式，根本不使用单词向量。因此，即使有一个加载它们的功能，它们也会被加载 - 然后在训练和推理期间被忽略。 （您需要使用PV-DM，'dm = 1'，或者向PV-DBOW dm=0, dbow_words=1添加skip-gram单词训练，以便此类重用矢量与您的训练有任何关联。）
为什么您认为您需要/需要使用预先训练过的载体？ （特别是，一组300万个单词向量，来自另一种数据，当后一步表明你只关心20,000个单词的词汇量时？）
如果由于某种原因您确定要使用来自其他地方的wrod-vectors初始化Doc2Vec，并使用可能会产生一些影响的训练模式，您可以查看intersect_word2vec_format()方法gensim Doc2Vec继承自Word2Vec。
在 build_vocab()已经学习了特定于语料库的词汇表之后，该方法特别需要被称为，并且它只从外部源中引入与本地相关的词。它充其量只是一个先进的实验性功能 - 请参阅其源代码，文档注释和gensim列表讨论，以了解其副作用和限制。