我正在尝试实现doc2vec，但是我不确定如果预先训练了word2vec向量，模型的输入应该是什么样子。
问题是，我不确定如何在理论上将预训练的word2vec向量用于doc2vec。我想，我可以用矢量预先填充隐藏层，而其余的隐藏层则填充随机数
另一种想法是使用向量作为单词的输入，而不是单次编码，但是我不确定文档的输出向量是否有意义。
谢谢您的回答！
答案 0 :(得分：1)
您可能会认为Doc2Vec（又名Mikolov / Le的“段落向量”算法）需要单词向量作为第一步。与人类学习新语言的类比是一种普遍的看法，也许有些直觉：先理解较小的单元，然后再理解较大的单元，然后从较小的单元中组合较大的单元。
但这是一个常见的误解，Doc2Vec不会那样做。
一种模式，纯PV-DBOW（在gensim中为dm=0）根本不使用常规的每字输入向量。而且，此模式通常是最快的培训和性能最好的选项之一。
另一种模式PV-DM（gensim中的dm=1为默认设置）确实使用了邻近的单词向量，并与doc-vector结合使用，其方式类似于word2vec的CBOW模式-但任何单词-它需要的向量将与doc-vector同时进行训练。他们没有经过第一步的 培训，因此没有一个简单的拼接点可以在其中提供其他地方的字向量。
（您可以将跳跃语法词训练与gensim中的dbow_words=1混合到PV-DBOW中，但这将在交错的共享模型过程中从头开始训练词向量。）
在某种程度上，您可以使用其他地方的词向量来预先植入模型，但这不一定会改善结果：它可以轻松地将其质量横向发送或更差。在某些幸运的，管理得当的情况下，它可能会加快模型的收敛速度，或者是使用较早的向量集来实现向量空间兼容性的一种方式，但并非没有没有的额外陷阱和警告原始算法的一部分，或描述良好的做法。