我已经训练过Doc2Vec
模型,试图获得预测结果。
我用
test_data = word_tokenize("Филип Моррис Продактс С.А.".lower())
model = Doc2Vec.load(model_path)
v1 = model.infer_vector(test_data)
sims = model.docvecs.most_similar([v1])
print(sims)
返回
[('624319', 0.7534812092781067), ('566511', 0.7333904504776001), ('517382', 0.7264763116836548), ('523368', 0.7254455089569092), ('494248', 0.7212602496147156), ('382920', 0.7092794179916382), ('530910', 0.7086726427078247), ('513421', 0.6893941760063171), ('196931', 0.6776881814002991), ('196947', 0.6705600023269653)]
接下来我想知道,这个数字是什么文字
model.docvecs['624319']
但是它只返回矢量表示形式
array([ 0.36298314, -0.8048847 , -1.4890883 , -0.3737898 , -0.00292279,
-0.6606688 , -0.12611026, -0.14547637, 0.78830665, 0.6172428 ,
-0.04928801, 0.36754376, -0.54034036, 0.04631123, 0.24066721,
0.22503968, 0.02870891, 0.28329515, 0.05591608, 0.00457001],
dtype=float32)
那么,有什么方法可以从模型中获取该标签的文本吗? 加载火车数据集需要很多时间,因此我尝试寻找另一种方法。
答案 0 :(得分:4)
无法将doc向量直接转换回原始文本(在减少文本->向量的过程中会丢失有关单词顺序的信息)。
但是,当您为Doc2Vec()
创建TaggedDocument
时,您可以通过在语料库列表中用索引标记每个文档来 检索原始文本。假设您有一个句子/文档的语料库,这些句子/文档包含在名为texts
的列表中。像这样使用enumerate()
为每个句子生成唯一索引i
,并将其作为tags
的{{1}}参数传递:
TaggedDocument
然后,经过训练,当您从tagged_data = []
for i, t in enumerate(texts):
tagged_data.append(TaggedDocument(words=word_tokenize(c.lower()), tags=[str(i)]))
model = Doc2Vec(vector_size=VEC_SIZE,
window=WINDOW_SIZE,
min_count=MIN_COUNT,
workers=NUM_WORKERS)
model.build_vocab(tagged_data)
获得结果时,每个元组中的第一个数字将是原始语料库文本列表的索引。例如,如果您运行model.docvecs.most_similar()
并获得:
model.docvecs.most_similar([some_vector])
...然后,您可以通过使用[('624319', 0.7534812092781067), ('566511', 0.7333904504776001), ('517382', 0.7264763116836548), ('523368', 0.7254455089569092), ('494248', 0.7212602496147156), ('382920', 0.7092794179916382), ('530910', 0.7086726427078247), ('513421', 0.6893941760063171), ('196931', 0.6776881814002991), ('196947', 0.6705600023269653)]
索引到初始语料库列表来检索第一个结果的原始文档('624319', 0.7534812092781067)
。
或者,如果您想遍历并获取所有最相似的文本,则可以执行以下操作:
texts[624319]