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