请帮助我理解如何 TaggedDocument
之间的区别和 LabeledSentence
的 gensim
作品。我的最终目标是使用 Doc2Vec
进行文本分类模型和任何分类器。我正在关注这个 blog !
class MyLabeledSentences(object):
def __init__(self, dirname, dataDct={}, sentList=[]):
self.dirname = dirname
self.dataDct = {}
self.sentList = []
def ToArray(self):
for fname in os.listdir(self.dirname):
with open(os.path.join(self.dirname, fname)) as fin:
for item_no, sentence in enumerate(fin):
self.sentList.append(LabeledSentence([w for w in sentence.lower().split() if w in stopwords.words('english')], [fname.split('.')[0].strip() + '_%s' % item_no]))
return sentList
class MyTaggedDocument(object):
def __init__(self, dirname, dataDct={}, sentList=[]):
self.dirname = dirname
self.dataDct = {}
self.sentList = []
def ToArray(self):
for fname in os.listdir(self.dirname):
with open(os.path.join(self.dirname, fname)) as fin:
for item_no, sentence in enumerate(fin):
self.sentList.append(TaggedDocument([w for w in sentence.lower().split() if w in stopwords.words('english')], [fname.split('.')[0].strip() + '_%s' % item_no]))
return sentList
sentences = MyLabeledSentences(some_dir_name)
model_l = Doc2Vec(min_count=1, window=10, size=300, sample=1e-4, negative=5, workers=7)
sentences_l = sentences.ToArray()
model_l.build_vocab(sentences_l )
for epoch in range(15): #
random.shuffle(sentences_l )
model.train(sentences_l )
model.alpha -= 0.002 # decrease the learning rate
model.min_alpha = model_l.alpha
sentences = MyTaggedDocument(some_dir_name)
model_t = Doc2Vec(min_count=1, window=10, size=300, sample=1e-4, negative=5, workers=7)
sentences_t = sentences.ToArray()
model_l.build_vocab(sentences_t)
for epoch in range(15): #
random.shuffle(sentences_t)
model.train(sentences_t)
model.alpha -= 0.002 # decrease the learning rate
model.min_alpha = model_l.alpha
我的问题是
model_l.docvecs['some_word']
与 model_t.docvecs['some_word']
相同?你能给我提供好的资源的网络链接来了解如何
TaggedDocument
或 LabeledSentence
作品。
最佳答案
LabeledSentence
是相同的简单对象类型的旧名称,已弃用,用于封装现在称为 TaggedDocument
的文本示例.任何具有 words
的对象和 tags
属性,每一个列表,都行。 ( words
总是一个字符串列表;tags
可以是整数和字符串的混合,但在最常见和最有效的情况下,只是一个具有单个 id 整数的列表,从 0 开始。)model_l
和 model_t
将用于相同的目的,使用相同的参数对相同的数据进行训练,只是为对象使用不同的名称。但是它们为单个单词标记( model['some_word']
)或文档标签( model.docvecs['somefilename_NN']
)返回的向量可能会有所不同——Word2Vec/Doc2Vec 初始化和训练采样中存在随机性,并且由 ordering-jitter 引入多线程训练。
关于gensim - gensim LabeledSentence 和 TaggedDocument 有什么区别,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41182372/