我已经训练了 Doc2Vec 模型，我正在尝试进行预测。
我用
test_data = word_tokenize("Филип Моррис Продактс С.А.".lower())
model = Doc2Vec.load(model_path)
v1 = model.infer_vector(test_data)
sims = model.docvecs.most_similar([v1])
print(sims)
返回
[('624319', 0.7534812092781067), ('566511', 0.7333904504776001), ('517382', 0.7264763116836548), ('523368', 0.7254455089569092), ('494248', 0.7212602496147156), ('382920', 0.7092794179916382), ('530910', 0.7086726427078247), ('513421', 0.6893941760063171), ('196931', 0.6776881814002991), ('196947', 0.6705600023269653)]
接下来我想知道，这个号码的文本是什么
model.docvecs['624319']
但它只返回矢量表示
array([ 0.36298314, -0.8048847 , -1.4890883 , -0.3737898 , -0.00292279,
-0.6606688 , -0.12611026, -0.14547637, 0.78830665, 0.6172428 ,
-0.04928801, 0.36754376, -0.54034036, 0.04631123, 0.24066721,
0.22503968, 0.02870891, 0.28329515, 0.05591608, 0.00457001],
dtype=float32)
那么，有什么办法可以从模型中获取这个标签的文本吗？ 加载火车数据集需要很多时间，所以我尝试找出另一种方法。
请您参考如下方法:
没有办法将 doc 向量直接转换回原始文本(有关词序等信息在减少文本 --> 向量的过程中丢失)。
但是，您可以在创建 TaggedDocument 时通过在语料库列表中标记每个文档及其索引来检索原始文本。 s Doc2Vec() .假设您有一个句子/文档语料库，包含在名为 texts 的列表中。 .使用 enumerate() 像这样生成唯一索引 i对于每个句子，并将其作为 tags 传递TaggedDocument 的参数:
tagged_data = []
for i, t in enumerate(texts):
tagged_data.append(TaggedDocument(words=word_tokenize(c.lower()), tags=[str(i)]))
model = Doc2Vec(vector_size=VEC_SIZE,
window=WINDOW_SIZE,
min_count=MIN_COUNT,
workers=NUM_WORKERS)
model.build_vocab(tagged_data)
然后在训练之后，当你从 model.docvecs.most_similar() 得到结果时，每个元组中的第一个数字将是您原始语料库文本列表的索引。因此，例如，如果您运行 model.docvecs.most_similar([some_vector])并得到:
[('624319', 0.7534812092781067), ('566511', 0.7333904504776001), ('517382', 0.7264763116836548), ('523368', 0.7254455089569092), ('494248', 0.7212602496147156), ('382920', 0.7092794179916382), ('530910', 0.7086726427078247), ('513421', 0.6893941760063171), ('196931', 0.6776881814002991), ('196947', 0.6705600023269653)]
... 然后您可以检索第一个结果的原始文档 ('624319', 0.7534812092781067)通过索引到您的初始语料库列表:texts[624319] .
或者，如果您想遍历并获取所有最相似的文本，您可以这样做:
most_similar_docs = []
for d in model.docvecs.most_similar([some_vector]):
most_similar_docs.append(texts[d[0]])
