Sklearn+Gensim:如何将Gensim的Word2Vec嵌入用于Sklearn文本分类

Question

我正在构建一个多标签文本分类程序，并试图使用OneVsRestClassifier+XGBClassifier对文本进行分类。最初，我使用Sklearn的Tf-以色列国防军矢量化文本，这没有错误。现在，我使用Gensim的Word2Vec来矢量化文本。然而，当我将矢量化数据输入OneVsRestClassifier+XGBClassifier时，在拆分测试和培训数据的行中会出现以下错误：

TypeError: Singleton数组(，dtype=object)不能被视为有效的集合。

我尝试过将矢量化数据转换为一个功能数组(np.array)，但这似乎不起作用。下面是我的代码：

x = np.array(Word2Vec(textList, size=120, window=6, min_count=5, workers=7, iter=15))

vectorizer2 = MultiLabelBinarizer()
vectorizer2.fit(tagList)
y = vectorizer2.transform(tagList)

# Split test data and convert test data to arrays
xTrain, xTest, yTrain, yTest = train_test_split(x, y, test_size=0.20)

变量textList和tagList是字符串的列表(我试图对文本描述进行分类)。

Answer 1

这里的x变成了gensim.models.word2vec.Word2Vec对象的numpy数组转换--返回的并不是textList的word2vec表示。

想必，您想返回的是文档中每个单词的对应向量(对于表示每个文档的单个向量，最好使用Doc2Vec)。

对于一组文档，其中最冗长的文档包含n单词，那么，每个文档将由n* 120矩阵表示。

用于说明目的的未优化代码：

import numpy as np

model = x = Word2Vec(textList, size=120, window=6, 
                               min_count=5, workers=7, iter=15)

documents = []
for document in textList:
    word_vectors = []
    for word in document.split(' '): # or your logic for separating tokens
        word_vectors.append(model.wv[word])
    documents.append(np.concatenate(word_vectors))

# resulting in an n * 120 -- that is, `Word2Vec:size`-- array
document_matrix = np.concatenate(documents)