Doc2Vec学习标记的表示吗？

Question

我使用Doc2Vec标记作为文档的唯一标识符，每个文档都有不同的标记，没有语义意义。我使用标记来查找特定的文档，以便计算它们之间的相似性。

标签会影响我的模型的结果吗？

在这个教程中，他们讨论一个参数train_lbls=false，当这个参数设置为false时，没有为标签(标记)学习到任何表示。

这个教程有点过时了，我想参数已经不存在了，Doc2Vec是如何处理标记的？

Answer 1

对于gensim的Doc2Vec，您的文本示例必须是类似于示例TaggedDocument类的对象:具有words和tags属性。tags属性应该是一个“标记”列表，作为文档向量的键，这些文档向量将从相应的文本中学习。

在经典/原始的情况下，每个文档都有一个标记--本质上是该文档的唯一ID。(标记可以是字符串，但是对于非常大的corpuses，如果您使用普通的Python标记(从0开始，没有跳过的值)，Doc2Vec将使用更少的内存。)

这些标签被用来在训练后查找所学的向量。如果您在使用单个标记'mars'进行培训时有一个文档，您可以使用以下方法查找学习到的向量：

model.docvecs['mars']

如果您正在执行model.docvecs.most_similar['mars']调用，结果也将由它们的标记键报告。

标记只是文档向量集合的键--它们没有语义意义，即使文本中的单词标记重复字符串，这个标记键和单词之间也没有必要的关系。

也就是说，如果您的文档的单个ID标记是“mars”，那么通过该键(model.docvecs['mars'])访问的学习文档向量与使用相同字符串键(model.wv['mars'])访问的任何学习单词向量(它们来自不同的-向量集合)之间没有本质的关系。