Doc2Vec：获取标签的文字

Question

我训练了Doc2Vec模型我试图得到预测。

我用

test_data = word_tokenize("Филип Моррис Продактс С.А.".lower())
model = Doc2Vec.load(model_path)
v1 = model.infer_vector(test_data)
sims = model.docvecs.most_similar([v1])
print(sims)

回报

[('624319', 0.7534812092781067), ('566511', 0.7333904504776001), ('517382', 0.7264763116836548), ('523368', 0.7254455089569092), ('494248', 0.7212602496147156), ('382920', 0.7092794179916382), ('530910', 0.7086726427078247), ('513421', 0.6893941760063171), ('196931', 0.6776881814002991), ('196947', 0.6705600023269653)]

接下来我试着知道这个数字是什么文字

model.docvecs['624319']

但它只返回向量表示

array([ 0.36298314, -0.8048847 , -1.4890883 , -0.3737898 , -0.00292279,
   -0.6606688 , -0.12611026, -0.14547637,  0.78830665,  0.6172428 ,
   -0.04928801,  0.36754376, -0.54034036,  0.04631123,  0.24066721,
    0.22503968,  0.02870891,  0.28329515,  0.05591608,  0.00457001],
  dtype=float32)

那么，有没有办法从模型中获取此标签的文本？加载火车数据集需要花费大量时间，因此我尝试找出另一种方法。

Answer 1

没有办法将doc向量直接转换回原始文本（有关单词排序的信息等在文本缩减过程中丢失 - >向量）。

但是，在为TaggedDocument创建Doc2Vec()s时，可以通过在语料库列表中使用索引标记每个文档来检索原始文本。假设您有一个包含在名为texts的列表中的句子/文档语料库。像这样使用enumerate()为每个句子生成一个唯一的索引i，并将其作为tags的TaggedDocument参数传递：

tagged_data = []
for i, t in enumerate(texts):
    tagged_data.append(TaggedDocument(words=word_tokenize(c.lower()), tags=[str(i)]))

model = Doc2Vec(vector_size=VEC_SIZE,
                window=WINDOW_SIZE,
                min_count=MIN_COUNT,
                workers=NUM_WORKERS)

model.build_vocab(tagged_data)

然后在训练之后，当你从model.docvecs.most_similar()得到结果时，每个元组中的第一个数字将成为你原始语料库文本列表的索引。例如，如果您运行model.docvecs.most_similar([some_vector])并获取：

[('624319', 0.7534812092781067), ('566511', 0.7333904504776001), ('517382', 0.7264763116836548), ('523368', 0.7254455089569092), ('494248', 0.7212602496147156), ('382920', 0.7092794179916382), ('530910', 0.7086726427078247), ('513421', 0.6893941760063171), ('196931', 0.6776881814002991), ('196947', 0.6705600023269653)]

...然后你可以通过索引到你的初始语料库列表中检索第一个result('624319', 0.7534812092781067)的原始文件：texts[624319]。

或者如果你想循环并获得所有最相似的文本，你可以做类似的事情：

most_similar_docs = []
for d in model.docvecs.most_similar([some_vector]):
    most_similar_docs.append(texts[d[0]])