Doc2Vec论文及实战

第一部分：论文

最近读了一遍Doc2Vec原文，整篇文章思路清晰明了，建议在读博客之前先看一遍文章，因为文章中将各个部分讲的很详细。

这里只记录文章中最最重要的一段话：

At prediction time, one needs to perform an inference step to compute the paragraph vector for a new paragraph. This

is also obtained by gradient descent. In this step, the parameters for the rest of the model, the word vectors W and the softmax weights, are fixed.

即带优化的推断，所有同一个训练好的模型每次得到的文档向量可能是不同的～

第二部分： 实战

doc2vec的输入是TaggedDocument向量，它包括word_list和tags两部分，word_list是文档的分词列表，如['火箭','是','总冠军',]。tags是文档的标签列表。

   创建TaggedDocument对象：

document = TaggedDocdument(word_list,tags=label)

模型参数说明：

1.dm=1 PV-DM  dm=0 PV-DBOW。

2.size 所得向量的维度。

3.window 上下文词语离当前词语的最大距离。

4.alpha 初始学习率，在训练中会下降到min_alpha。

5.min_count 词频小于min_count的词会被忽略。

6.max_vocab_size 最大词汇表size，每一百万词会需要1GB的内存，默认没有限制。

7.sample 下采样比例。

8.iter 在整个语料上的迭代次数(epochs)，推荐10到20。

9.hs=1 hierarchical softmax ，hs=0(default) negative sampling。

10.dm_mean=0(default) 上下文向量取综合，dm_mean=1 上下文向量取均值。

11.dbow_words:1训练词向量，0只训练doc向量。

定义模型：

model = Doc2Vec(dm=1, min_count=1, window=3, size=size, sample=1e-3, negative=5) 

   训练模型：

model.train(x_train, total_examples=model_dm.corpus_count, epochs=epoch_num) 

保存模型：

model.save('model/model_my.model')

使用infer_vector来推理文档的向量 (输入text仍然是文档的分词列表)：

vector = model.infer_vector(text) 

使用model.docvecs[tag]得到已训练文档的向量。

得到与输入文档相似度最高的十个文档：

sims = model.docvecs.most_similar([vector], topn=10)

参考：

https://arxiv.org/pdf/1405.4053.pdf

https://blog.csdn.net/weixin_39837402/article/details/80254868

https://radimrehurek.com/gensim/models/doc2vec.html