我有一个1000个文档的列表，其中前500个属于movies中的文档（即，列表索引从0到499），其余500个语言属于{ {1}}（即从tv series到500的列表索引）。
对于电影，999以document tag开头（例如movie_），而对于电视系列节目，文档标签以movie_fast_and_furious开头（例如tv_series_）
我使用这些电影和电视连续剧数据集来建立tv_series_the_office模型，如下所示。
doc2vec现在，对于每个from gensim.models import doc2vec
from collections import namedtuple
dataset = json.load(open(input_file))
docs = []
analyzedDocument = namedtuple('AnalyzedDocument', 'words tags')
for description in dataset:
tags = [description[0]]
words = description[1]
docs.append(analyzedDocument(words, tags))
model = doc2vec.Doc2Vec(docs, vector_size = 100, window = 10, min_count = 1, workers = 4, epochs = 20)
，我想获得其最接近的5 movie及其余弦相似度。
我知道，gensim提供的功能tv series。但是，这样做的结果也包括电影（这不是我的意图）。是否有可能在gensim中做到这一点（我假设文档向量是按照我们提供的model.docvecs.most_similar的顺序创建的。）
很高兴在需要时提供更多详细信息。
答案 0 :(得分：1)
所有tags是Doc2Vec的不透明标识符。因此，如果您的数据存在内部差异，则需要自己对该数据进行建模和过滤。
因此，我的主要建议是要求提供比您需要的topn大得多的most_similar()，然后丢弃那些您不需要的类型或超出您实际需要的数量的结果。
（请注意，topn的每次计算都需要与整个已知文档标签集进行比较，而使用较小的topn仅在排序这些完整结果时节省了一些计算。因此，使用更大的topn，甚至达到已知文档标签的完整大小，并不像您担心的那样昂贵。）
只有两个类别，要使10个电视节目最接近查询电影，您可以使most_similar()等于电影数量减去1（查询）再加上10 –然后绝对最糟糕的情况是，所有电影都比第一个电视节目更近，您仍然可以获得10个有效的电视节目结果。
（restrict_vocab函数还包含一个restrict_vocab=500参数。它需要一个int计数，并将结果按内部存储顺序仅限制为第1个许多项。因此，实际上前500个文档都是电视节目，Word2Vec仅给出该子集的结果，但是，我不建议依赖此子集，因为（a）它仅适用于预先加载的一个类别，而不是其他任何文件；（b）理想情况下，您不会将所有相似的文件聚在一起，但将它们混洗以散布对比文件，通常将restrict_vocab向量集进行排序将出现频率最高的单词排在第一位-不管原始数据的出现顺序如何，这都使/* about */
.about-container{
padding: 3rem;
max-width: 90vw;
margin: 2rem auto;
display: grid;
grid-row-gap: 2rem;
}
@media screen and (min-width:768px){
.about{
display: grid;
grid-template-columns: 1fr 1fr;
}
}
.about_picture_1{
width: 100%;
display: block;
height: 100%;
border-radius: 0.25rem;
}
在那里更有用，因为通常只有最常见的单词和最强的矢量的结果才最有趣）