让我们说我正在尝试使用distances（）计算单词和文档之间的平均距离，或者使用n_similarity（）计算两个文档之间的余弦相似度。但是，可以说这些新文档包含原始模型没有的单词。 gensim如何处理？
我一直在阅读文档，找不到gensim对未找到的单词所做的操作。
我希望gensim不将那些计入平均值。因此，在distances（）的情况下，在我使用numpy计算均值之前，它不应简单地不返回任何内容或可以轻易删除的内容。在n_similarity的情况下，gensim当然必须自己完成。...
我之所以问是因为，在某些情况下，我的程序将要分类的文档和单词将包含未知的单词，名称，品牌等，因此在分类过程中我不会考虑这些单词和名称。因此，我想知道是否需要对要分类的每个文档进行预处理。
答案 0 :(得分：0)
模型是在向量上定义的，默认情况下，向量仅取决于旧词，因此我不希望它们取决于新词。
根据代码，仍然有可能使新单词影响结果。出于节省的考虑，我建议您在一个小文本（带有和不带有一堆新单词）上测试您的特定模型和/或指标。
答案 1 :(得分：0)
根据上下文，Gensim通常会忽略未知单词，或者在精确单词查找失败时抛出KeyError之类的错误。 （此外，某些词向量模型，例如FastText，可以根据训练期间观察到的词碎片，为未知词综合胜于虚无的猜测向量。）
您应该使用感兴趣的特定模型/方法尝试所需的操作，以观察结果。
如果引发操作中断错误并给您的代码带来问题，则可以预先过滤单词列表以删除模型中不存在的单词。