我是doc2vec的新手，我希望使用它对文本进行分类。
我对TaggedDocument和TaggedLineDocument感到困惑。
1）两者有什么区别？是TaggedLineDocument是TaggedDocuments的集合吗？
2）如果我有一个包含所有文件的目录，如何为它们生成特征向量？我应该创建一个新文件，其中每行包含目录中文件的文本吗？
答案 0 :(得分：0)
TaggedDocument是一个说明性类，用于表示Doc2Vec可以作为文本示例的对象。您不需要使用它 - 您只需要提供具有words属性的对象，该属性是字符串标记的列表，以及tags属性，它是标记列表与文档相关联。 （也就是说，您可以将文字示例提供为“TaggedDocument形状”或“鸭子类型”的对象。）
TaggedLineDocument是一个实用程序类，用于获取每行包含一个文档的文件，其token-wordss已经以空格分隔，并将其转换为TaggedDocument s的可迭代集合，其中每个doc将其唯一标记作为整数行号。因此，它是将文本流式传输到Doc2Vec的最小示例，对于单个doc-per-line文本文件的常见情况作为输入，并且不需要自定义的每文档标签/ ID。
如果您的数据采用其他格式，则无法直接使用TaggedLineDocument，但这可能是一个有用的起点。如果您使用编号从0到文档计数的简单标记即可，则可以将格式转换为单个文件TaggedLineDocument。
或者，特别是如果您需要使用自定义标记，您可以编写自己的类，将您的数据源 - 无论是一组文件还是网络资源或数据库 - 转换为可迭代的数据源为每个示例发出一个TaggedDocument - 类似对象的对象。