【一】总述
doc2vec是指将句子、段落或者文章使用向量来表示,这样可以方便的计算句子、文章、段落的相似度。
【二】使用方法介绍
1. 预料准备
def read_corpus(fname, tokens_only=False):
with open(fname, encoding="utf-8") as f:
for i, line in enumerate(f):
if tokens_only:
yield gensim.utils.simple_preprocess(line)
else:
# For training data, add tags
# 利用gensim进行doc2vec时,语料库是一个TaggedDocument,其包括原始语料(句子、段落、篇章)
# 和对应的id(如句子id,段落id,篇章id)即语料标识
yield gensim.models.doc2vec.TaggedDocument(gensim.utils.simple_preprocess(line), [i])
2. 模型训练
方法一:
def train_doc2vec2():
train_file = "E:/nlp_data/in_the_name_of_people/in_the_name_of_people.txt"
train_corpus = list(read_corpus(train_file))
model = gensim.models.doc2vec.Doc2Vec(documents=train_corpus,vector_size=50, min_count=2, epochs=10)
model.save("doc2vec2.model")
方法二:
def train_doc2vec():
train_file = "E:/nlp_data/in_the_name_of_people/in_the_name_of_people.txt"
train_corpus = list(read_corpus(train_file))
model = gensim.models.doc2vec.Doc2Vec(vector_size=50, min_count=2, epochs=10)
model.build_vocab(train_corpus)
model.train(train_corpus,total_examples=model.corpus_count,epochs = model.epochs)
model.save("doc2vec.model")
3. 模型使用
3.1 推测句子、段落或者文章的向量表示
model = doc2vec.Doc2Vec.load("doc2vec.model")
# 基于已有模型,来推测新文档或者句子或者段落的向量
print(model.infer_vector(["李达康是市委书记"]))
3.2 求解句子或者段落或者文章相似的内容
model = doc2vec.Doc2Vec.load("doc2vec2.model")
inferred_vector = model.infer_vector(["沙瑞金是省委书记"])
# 求解句子或者段落或者文章的相似性
sims = model.docvecs.most_similar([inferred_vector], topn=3)
train_file = "E:/nlp_data/in_the_name_of_people/in_the_name_of_people.txt"
train_corpus = list(read_corpus(train_file))
for docid, sim in sims:
print(docid)
print(sim)
print(train_corpus[docid])
结果如下:
1295
0.4263337254524231
TaggedDocument(['这一来', '陈清泉就撞到枪口上了', '他想保也保不住', '其实他还是想保的', '这位法院副院长人不错', '他没必要得罪', '然而', '李达康要得罪', '他有啥办法', '该查就得查了', '他不查', '李达康既可以换个人来查', '也可以查一查他', '政治斗争就是这么残酷无情', '它不以你个人的感情好恶为转移', '于是', '他代表纪委宣布了违纪事实', '最后做结论说', '有的被群众举报', '有的在网上炒得沸反盈天', '必须严肃处理', '情况就是这样'], [1295])
1692
0.4215260446071625
TaggedDocument(['孙连城', '地站了起来', '大声说', '李达康', '我辞职'], [1692])
281
0.41098830103874207
TaggedDocument(['估计有人通风报信了'], [281])
【三】总结
使用gensim的doc2vec进行句子、段落、文章的向量表示时,不需要进行分词。