python - 如何在 doc2vec 模型中使用预训练的 word2vec 向量？

Question

我正在尝试实现 doc2vec，但是如果我有预训练的 word2vec 向量，我不确定模型的输入应该是什么样子。

问题是，我不确定如何在理论上将预训练的 word2vec 向量用于 doc2vec。我想，我可以用向量预填充隐藏层，然后用随机数填充隐藏层的其余部分

另一个想法是使用向量作为单词的输入而不是单热编码，但我不确定文档的输出向量是否有意义。

谢谢您的回答！

标签： pythonmachine-learningnlpword2vecdoc2vec

Answer 1

您可能会认为Doc2Vec（又名 Mikolov/Le 的“段落向量”算法）需要词向量作为第一步。这是一个普遍的信念，也许有些直观，类似于人类如何学习一门新语言：先理解较小的单元，然后再理解较大的单元，然后从较小的单元中组合出较大单元的含义。

但这是一个常见的误解，并Doc2Vec没有这样做。

一种模式，纯 PV-DBOW（dm=0在 gensim 中），根本不使用传统的每字输入向量。而且，这种模式通常是训练速度最快、性能最好的选项之一。

另一种模式，PV-DM（dm=1在 gensim 中，默认值）确实利用了相邻的词向量，并以类似于 word2vec 的 CBOW 模式的方式与 doc 向量结合——但它需要的任何词向量都将被训练同时与文档向量。他们没有在单独的步骤中进行第一次训练，因此没有一个简单的拼接点可以提供来自其他地方的词向量。

（您可以将 skip-gram 单词训练与 gensim 中的 PV-DBOWdbow_words=1混合，但这将在交错的共享模型过程中从头开始训练单词向量。）

在某种程度上，您可以使用来自其他地方的词向量预播模型，它不一定会改善结果：它很容易将它们的质量发送到侧面或更糟。在一些幸运的管理良好的情况下，它可能会加速模型收敛，或者是一种强制向量空间与早期向量集兼容的方法，但并非没有原始算法中不包含的额外陷阱和警告，或者描述良好的做法。