用 Doc2Vec 得到文档／段落／句子的向量表达

本文结构：

Doc2Vec 有什么用

两种实现方法

用 Gensim 实现 Doc2Vec 训练

Doc2Vec 或者叫做 paragraph2vec, sentence embeddings，是一种非监督式算法，可以获得 sentences/paragraphs/documents 的向量表达，是 word2vec 的拓展。
学出来的向量可以通过计算距离来找 sentences/paragraphs/documents 之间的相似性，

或者进一步可以给文档打标签。
例如首先是找到一个向量可以代表文档的意思，

然后可以将向量投入到监督式机器学习算法中得到文档的标签，

例如在情感分析 sentiment analysis 任务中，标签可以是 “negative”, “neutral”,”positive”。
2013 年 Mikolov 提出了 word2vec 来学习单词的向量表示，

主要有两种方法，cbow ( continuous bag of words) 和 skip-gram ，

一个是用语境来预测目标单词，另一个是用中心单词来预测语境。





既然可以将 word 表示成向量形式，那么句子／段落／文档是否也可以只用一个向量表示？
一种方式是可以先得到 word 的向量表示，然后用一个简单的平均来代表文档。

另外就是 Mikolov 在 2014 提出的 Doc2Vec。
Doc2Vec 也有两种方法来实现。
dbow (distributed bag of words)



gensim 实现:

model = gensim.models.Doc2Vec(documents,dm = 0, alpha=0.1, size= 20, min_alpha=0.025)

dm (distributed memory)



gensim 实现:

model = gensim.models.Doc2Vec(documents,dm = 1, alpha=0.1, size= 20, min_alpha=0.025)

二者在 gensim 实现时的区别是 dm = 0 还是 1.
Doc2Vec 的目的是获得文档的一个固定长度的向量表达。
数据：多个文档，以及它们的标签，可以用标题作为标签。
影响模型准确率的因素：语料的大小，文档的数量，越多越高；文档的相似性，越相似越好。
这里要用到 Gensim 的 Doc2Vec：

import gensim
LabeledSentence = gensim.models.doc2vec.LabeledSentence

先把所有文档的路径存进一个 array 中，docLabels：

from os import listdir
from os.path import isfile, join
docLabels = []
docLabels = [f for f in listdir("myDirPath") if f.endswith('.txt')]

把所有文档的内容存入到 data 中：

data = []
for doc in docLabels:
   data.append(open(“myDirPath/” + doc, ‘r’)

接下来准备数据，

如果是用句子集合来训练模型，则可以用：

class LabeledLineSentence(object):
   def __init__(self, filename):
       self.filename = filename
   def __iter__(self):
       for uid, line in enumerate(open(filename)):
           yield LabeledSentence(words=line.split(), labels=[‘SENT_%s’ % uid])

如果是用文档集合来训练模型，则用：

class LabeledLineSentence(object):
   def __init__(self, doc_list, labels_list):
      self.labels_list = labels_list
      self.doc_list = doc_list
   def __iter__(self):
       for idx, doc in enumerate(self.doc_list):
           yield LabeledSentence(words=doc.split(),labels=[self.labels_list[idx]])

在 gensim 中模型是以单词为单位训练的，所以不管是句子还是文档都分解成单词。

训练模型：

将 data, docLabels 传入到 LabeledLineSentence 中，

训练 Doc2Vec，并保存模型：

it = LabeledLineSentence(data, docLabels)

model = gensim.models.Doc2Vec(size=300, window=10, min_count=5, workers=11,alpha=0.025, min_alpha=0.025)

model.build_vocab(it)

for epoch in range(10):
   model.train(it)
   model.alpha -= 0.002             # decrease the learning rate
   model.min_alpha = model.alpha         # fix the learning rate, no deca
   model.train(it)

model.save(“doc2vec.model”)

测试模型：

Gensim 中有内置的 most_similar：

print model.most_similar(“documentFileNameInYourDataFolder”)

输出向量：

model[“documentFileNameInYourDataFolder”]

得到向量后，可以计算相似性，输入给机器学习算法做情感分类等任务了。

资料：
https://arxiv.org/abs/1405.4053 https://rare-technologies.com/doc2vec-tutorial/ https://medium.com/@klintcho/doc2vec-tutorial-using-gensim-ab3ac03d3a1 相关文章：
CS224d－Day 3: word2vec 模型思想和代码实现
怎样做情感分析
推荐 阅读原文

也许可以找到你想要的：

[入门问题][TensorFlow][深度学习][强化学习][神经网络][机器学习][自然语言处理][聊天机器人]