我有一个问题： 我有很多文档，每一行都是通过某种模式构建的。 当然，我有这一系列的模式。
我想创建一些向量空间，然后按照某种规则对这种模式进行向量化（我尚不知道该规则是什么..）-即使这种模式像我向量空间的“质心”。 然后，对当前文档的每一行进行矢量化（再次遵循此规则），并计算到此行的壁橱质心（即，两个矢量之间的最小距离）。
我不知道该怎么办？ 我知道sklearn库和CountVectorizer / TfidfVectorizer / HashingVectorizer-但这取决于词汇量。但是，同样，我有很多文档，这就是为什么词汇中的单词过多（如果这样做的话，但是在下一个新文档中，它可能是这个词汇所没有的新单词。这就是解决我的问题的错误方法） 同样，带有文本预处理功能的Keras库不能解决我的第二个问题。 E.x. “ one hot”将文本编码为size的单词索引列表。但是每个文档可能具有不同的大小，当然还有顺序。这样比较两个向量可能会产生很大的距离，但实际上，这些向量（单词，由这些向量编码）非常相似。