在创建词汇表时，Doc2vec可以将单词中出现频率最小的文档作为参数min_count包含在词汇表中。
model = gensim.models.doc2vec.Doc2Vec(vector_size=200, min_count=3, epochs=100,workers=8)
如何排除带有某些参数的频率太高的单词？
我知道一种方法是在预处理步骤中手动删除这些单词，并对每个单词进行计数，但是很高兴知道是否有一些内置方法可以这样做，因为它为测试提供了更多空间。 非常感谢您的回答。
答案 0 :(得分：2)
gensim的max_count中没有明确的Word2Vec参数。
如果您确定某些标记没有意义，则应预处理文本以消除它们。
还有一个trim_rule选项可以作为模型实例化或build_vocab()传递，您自己的函数可以丢弃一些单词；请参阅gensim文档：
https://radimrehurek.com/gensim/models/word2vec.html#gensim.models.word2vec.Word2Vec
类似地，您可以避免直接调用build_vocab()，而是调用其子步骤-但在词汇最终确定之前编辑发现的原始计数字典。您可能希望参考源代码来执行此操作，并且可以将舍弃太少单词的代码用作自己的新附加代码的模型。
sample的经典Word2Vec参数还控制高频单词的下采样，以防止模型在冗余训练丰富的单词上花费过多的相对精力。此值越激进（越小），则在训练过程中会少跳高频单词的实例。 1e-03（0.001）的默认值非常保守。在非常大的自然语言语料库中，我看到不错的结果，直到1e-07（0.0000001）或1e-8（0.00000001）–在另一个领域，令牌非常常见，类似的积极下采样值得尝试。
较新的ns_exponent选项更改了负采样，以调整频率较低单词的相对偏爱。最初的word2vec工作使用的固定值为0.75，但是自从进行了一些研究以来，建议其他域（例如推荐系统）可能会从对实际令牌频率或多或少敏感的其他值中受益。 （相关文件在gensim文档中链接了ns_exponent参数。）