我大约有2万个文档，含60-150个字。在这20K文档中，有400个已知相似文档的文档。这400个文档用作我的测试数据。
我正在尝试使用gensim doc2vec为这400个数据集找到相似的文档。论文“句子和文档的分布式表示”表示：“ PV-DM和PV-DBOW的组合通常效果更好（在IMDB中为7.42％），因此建议使用。”
因此，我想结合这两种方法的向量，并找到与所有训练文档的余弦相似度，并选择余弦距离最小的前5个。
那么结合这两种方法的向量的有效方法是什么：加法或平均法或任何其他方法？
结合这两个向量后，我可以对每个向量进行归一化，然后找到余弦距离。
答案 0 :(得分：1)
该论文暗示他们已经将这两种方法的向量串联在一起。例如，给定一个300d PV-DBOW矢量和一个300d PV-DM矢量，串联后您的文本将得到600d矢量。
但是，请注意，他们在IMDB上获得的底线结果很难被外界复制。我的测试有时仅显示出这些串联向量的小优势。 （我特别想知道，通过单独的级联模型进行300d PV-DBOW + 300d PV-DM的效果是否会比在相同的时间内以更少的步骤/复杂度训练任意一个真实的600d模型更好。）
您可以在gensim的{{1}}目录中的其中一个示例笔记本中查看我对重复的“段落矢量”论文进行一些实验的演示：
https://github.com/RaRe-Technologies/gensim/blob/develop/docs/notebooks/doc2vec-IMDB.ipynb
除其他事项外，它包括一些步骤和有用的方法，可以将成对的模型视为串联整体。