我尝试构建一个简单的程序来测试我对Doc2Vec的理解，但在了解之前，我还有很长的路要走。
我知道文档中的每个句子都首先被标记了自己的标签，对于doc2vec，它将学习这些标签的向量。例如，据我所知，可以说我们有一个包含3个句子的列表。
[["I have a pet"], ["They have a pet"], ["she has no pet"]]
然后我们将其分为3个句子
["I have a pet"]
["They have a pet"]
["she has no pet"]
并使用gensim TaggedDocument或您构建的任何方法来为每个句子加上标签。
["I", "have", "a", "pet"] Tag= positive
["They", "have", "a", "pet"] Tag= positive
["she", "has", "no", "pet"] Tag= negative
然后，我们使用Doc2Vec gensim库来构建模型，build_vocab并对其进行训练。
我期望的是，每个句子的每个标签都基于另一个句子标签学习向量；然后像Word2Vec中那样为每个标签指定向量，但是在word2vec中，向量针对每个单词。
如果我没有误会，它应该是这样的：
["I have a pet"] Vectors = [-0.13150065 -0.13182896 -0.1564866 ]
["They have a pet"] Vectors = [-0.13150065 -0.13182896 -0.1564866 ]
["she has no pet"] Vectors = [ 0.14937358 -0.06767108 0.14668389]
但是，当我训练模型时，我只得到正负两个向量，总共是2个，而不是上面的3个。向量仅针对每个标签构建吗？负数和正数，这就是为什么它有2个稀疏向量？如果是，那么我们如何比较第一句话，第二句话和第三句话？当我收到这样的输出时，我感到非常困惑。
***有没有一种方法可以检查哪个句子的正标签？例如，如何打印标签+打印句子？
示例
tag: positive sentence: ["They have a pet"]
我的代码：
from gensim.models.doc2vec import Doc2Vec, TaggedDocument
file = [["I have a pet"], ["They have a pet"], ["she has no pet"]]
positiveFile = file[0:2]
negativeFile = file[2]
positive = [word.split() for sentence in positiveFile for word in sentence]
negative = [word.split() for sentence in [negativeFile] for word in sentence]
total = positive + negative
taggedPositiveFiles = [TaggedDocument(sentence, ["positive"])for i, sentence in enumerate(positive)]
taggedNegativeFiles = [TaggedDocument(sentence, ["negative"])for i, sentence in enumerate(negative)]
totalTagged = taggedNegativeFiles + taggedPositiveFiles
model = Doc2Vec(totalTagged, min_count = 1, workers=1, vector_size=3)
model.build_vocab(totalTagged, update=True)
model.train(totalTagged,total_examples=1, epochs=1)
print(model.docvecs["negative"])
print(model.docvecs["positive"])
当前输出：
[-0.13150065 -0.13182896 -0.1564866 ]
[ 0.14937358 -0.06767108 0.14668389]
预期输出：
[-0.13150065 -0.13182896 -0.1564866 ]
[-0.13150065 -0.13182896 -0.1564866 ]
[ 0.14937358 -0.06767108 0.14668389]
我在哪里误解了？请帮我。非常感谢。
答案 0 :(得分：2)
您可以选择如何tag编写文本。 Doc2Vec模型仅学习您提供的确切标签的文档向量。
在Paragraph Vectors所基于的原始Doc2Vec论文中（以及之后的许多公开示例），每个文档都有其自己的唯一ID标签，因此每个文档都有一个唯一的doc-vector。您可以通过查询模型中文档的唯一标记来获取文档的文档向量。
使用可能在许多示例中重复出现的类别标签（例如“正”和“负”）是可能的，有时甚至是有效的-但与原始概念不同。如果您所有的 N 文本仅在其中包含2个唯一标签（跨文本重复），则在训练结束时将仅学习2个文档向量。
（也可以给文本添加多个标签-因此它们可以具有唯一的ID 和其他一些标签。例如：tags=['id001', 'positive']。但是，最好考虑一下我只会在您采用较为简单的方法后才能推荐的先进/实验技术，并从这些较简单的方法中了解您设置的各种质量（例如参数，语料库大小和质量等）如何影响结果。从相同数量的数据中训练更多具有唯一标记的doc矢量，实际上意味着每个doc矢量的实用性都“弱化了”。实质上，数据中的相同源信息和“信号”被散布开来因此，您只想做一些花哨的事情，例如，如果您有大量数据，则每个文档中有多个标签-甚至可能需要进行更多的培训通行证。）
有关设置的其他说明：
update=True的{{1}}功能仅受build_vocab()正式支持，这是一项高级功能，需要进行大量实验才能使用权利，甚至应该在模型上使用了Word2Vec的第二次或更多次，而不是第一次。
玩具大小的数据集通常不会在build_vocab() / Word2Vec中给出有用或直观的结果-充其量只能用来理解参数类型/合法性/输出大小（如这里）。
已发布结果中的Doc2Vec模型的典型训练通过（epochs）为10-20。 （如果您试图从微小的数据集中挤出一些有用性，则使用更多的方法可能会有所帮助，但是寻找更大的数据集总是更好。）