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 训练 Doc2Vec

---

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 listdirfrom 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