我最近遇到了对 Gensim 的 doc2vec 补充。如何在 doc2vec 中使用预训练的词向量（例如在 word2vec 原始网站中找到的）？
还是 doc2vec 从它用于段落向量训练的相同句子中获取词向量？
谢谢。
问问题
40018 次
4 回答
25
请注意，“DBOW” ( dm=0) 训练模式不需要甚至创建词向量作为训练的一部分。它只是学习擅长依次预测每个单词的文档向量（很像 word2vec skip-gram 训练模式）。
（在 gensim 0.12.0 之前，有train_words另一个评论中提到的参数，一些文档建议将共同训练单词。但是，我不相信这实际上有效。从 gensim 0.12.0 开始，有参数dbow_words，它可以与 DBOW doc-vectors 同时跳过-gram 训练单词。请注意，这会使训练花费更长的时间 - 与 相关的一个因素window。因此，如果您不需要 word-vectors，您仍然可以将其关闭。）
在“DM”训练方法dm=1（理论上可以从先前的数据中预初始化词向量。但我不知道有任何强有力的理论或实验理由来确信这会改善 doc-vectors。
我沿着这些思路进行的一项零碎实验表明，doc-vector 训练开始得更快——在最初的几次通过后预测质量更好——但这种优势随着更多的通过而消失。无论您是保持单词向量不变还是让它们随着新的训练继续调整也可能是一个重要的考虑因素……但是哪个选择更好可能取决于您的目标、数据集以及预先存在的质量/相关性词向量。
（您可以使用 gensim 0.12.0 中可用的方法重复我的实验intersect_word2vec_format()，并尝试通过这些值使预加载的向量抵抗新训练的不同级别syn0_lockf。但请记住，这是实验领域：基本的 doc2vec 结果不t 依赖，甚至必须改进，重用的词向量。）
于 2015-05-19T22:19:44.340 回答
12
好吧，我最近也在使用 Doc2Vec。我正在考虑使用 LDA 结果作为词向量并修复这些词向量以获得文档向量。结果不是很有趣。也许只是我的数据集不太好。代码如下。Doc2Vec 将词向量和文档向量一起保存在字典 doc2vecmodel.syn0 中。您可以直接更改矢量值。唯一的问题可能是您需要找出 syn0 中的哪个位置代表哪个单词或文档。这些向量以随机顺序存储在字典 syn0 中。
import logging
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
from gensim import corpora, models, similarities
import gensim
from sklearn import svm, metrics
import numpy
#Read in texts into div_texts(for LDA and Doc2Vec)
div_texts = []
f = open("clean_ad_nonad.txt")
lines = f.readlines()
f.close()
for line in lines:
div_texts.append(line.strip().split(" "))
#Set up dictionary and MMcorpus
dictionary = corpora.Dictionary(div_texts)
dictionary.save("ad_nonad_lda_deeplearning.dict")
#dictionary = corpora.Dictionary.load("ad_nonad_lda_deeplearning.dict")
print dictionary.token2id["junk"]
corpus = [dictionary.doc2bow(text) for text in div_texts]
corpora.MmCorpus.serialize("ad_nonad_lda_deeplearning.mm", corpus)
#LDA training
id2token = {}
token2id = dictionary.token2id
for onemap in dictionary.token2id:
id2token[token2id[onemap]] = onemap
#ldamodel = models.LdaModel(corpus, num_topics = 100, passes = 1000, id2word = id2token)
#ldamodel.save("ldamodel1000pass.lda")
#ldamodel = models.LdaModel(corpus, num_topics = 100, id2word = id2token)
ldamodel = models.LdaModel.load("ldamodel1000pass.lda")
ldatopics = ldamodel.show_topics(num_topics = 100, num_words = len(dictionary), formatted = False)
print ldatopics[10][1]
print ldatopics[10][1][1]
ldawordindex = {}
for i in range(len(dictionary)):
ldawordindex[ldatopics[0][i][1]] = i
#Doc2Vec initialize
sentences = []
for i in range(len(div_texts)):
string = "SENT_" + str(i)
sentence = models.doc2vec.LabeledSentence(div_texts[i], labels = [string])
sentences.append(sentence)
doc2vecmodel = models.Doc2Vec(sentences, size = 100, window = 5, min_count = 0, dm = 1)
print "Initial word vector for word junk:"
print doc2vecmodel["junk"]
#Replace the word vector with word vectors from LDA
print len(doc2vecmodel.syn0)
index2wordcollection = doc2vecmodel.index2word
print index2wordcollection
for i in range(len(doc2vecmodel.syn0)):
if index2wordcollection[i].startswith("SENT_"):
continue
wordindex = ldawordindex[index2wordcollection[i]]
wordvectorfromlda = [ldatopics[j][wordindex][0] for j in range(100)]
doc2vecmodel.syn0[i] = wordvectorfromlda
#print doc2vecmodel.index2word[26841]
#doc2vecmodel.syn0[0] = [0 for i in range(100)]
print "Changed word vector for word junk:"
print doc2vecmodel["junk"]
#Train Doc2Vec
doc2vecmodel.train_words = False
print "Initial doc vector for 1st document"
print doc2vecmodel["SENT_0"]
for i in range(50):
print "Round: " + str(i)
doc2vecmodel.train(sentences)
print "Trained doc vector for 1st document"
print doc2vecmodel["SENT_0"]
#Using SVM to do classification
resultlist = []
for i in range(4143):
string = "SENT_" + str(i)
resultlist.append(doc2vecmodel[string])
svm_x_train = []
for i in range(1000):
svm_x_train.append(resultlist[i])
for i in range(2210,3210):
svm_x_train.append(resultlist[i])
print len(svm_x_train)
svm_x_test = []
for i in range(1000,2210):
svm_x_test.append(resultlist[i])
for i in range(3210,4143):
svm_x_test.append(resultlist[i])
print len(svm_x_test)
svm_y_train = numpy.array([0 for i in range(2000)])
for i in range(1000,2000):
svm_y_train[i] = 1
print svm_y_train
svm_y_test = numpy.array([0 for i in range(2143)])
for i in range(1210,2143):
svm_y_test[i] = 1
print svm_y_test
svc = svm.SVC(kernel='linear')
svc.fit(svm_x_train, svm_y_train)
expected = svm_y_test
predicted = svc.predict(svm_x_test)
print("Classification report for classifier %s:\n%s\n"
% (svc, metrics.classification_report(expected, predicted)))
print("Confusion matrix:\n%s" % metrics.confusion_matrix(expected, predicted))
print doc2vecmodel["junk"]
于 2014-12-30T05:03:49.060 回答
12
这个 gensim 的分叉版本允许加载预训练的词向量来训练 doc2vec。这里有一个关于如何使用它的例子。词向量必须采用 C-word2vec 工具文本格式：每个词向量一行，其中首先是一个表示词的字符串，然后是空格分隔的浮点值，一个用于嵌入的每个维度。
这项工作属于他们声称使用预先训练的词嵌入实际上有助于构建文档向量的论文。但是，无论我是否加载预训练的嵌入，我都会得到几乎相同的结果。
编辑：实际上我的实验有一个显着的不同。当我加载预训练嵌入时，我对 doc2vec 进行了一半的迭代训练，以获得几乎相同的结果（训练时间长于我的任务产生的结果更差）。
于 2016-09-05T20:53:35.107 回答
2
Radim 刚刚发布了关于 gensim 的 doc2vec 功能的教程（昨天，我相信 - 你的问题是及时的！）。
于 2014-12-16T19:46:35.707 回答