doc2vec实现
2018-01-07 本文已影响0人
衣介书生
以下代码用到了 gensim 包和 pandas 包, 可以参考另一篇文章 word2vec 更好的理解本文的代码。
题外话:为了更好的理解 doc2vec 和 word2vec,建议阅读相关的 paper。
word2vec paper
doc2vec paper
# coding: utf-8
from gensim.models import Doc2Vec
from gensim.models.doc2vec import LabeledSentence
import pandas as pd
# 加载 csv 文件
def load_csv(file_name):
df = pd.read_csv(file_name, sep='\t|\n', encoding='utf8', header=None,
names=['id', 'head', 'content', 'label'], engine='python')
return df
class DocList(object):
"""
文档迭代器
"""
def __init__(self, df_list=None):
train_words_clean_file = './data/train_words_clean.csv'
test_words_clean_file = './data/test_words_clean.csv'
if not df_list:
self.df_list = [load_csv(train_words_clean_file), load_csv(test_words_clean_file)]
def __iter__(self):
tag = ['Train', 'Test']
for i, df in enumerate(self.df_list):
for line_num in range(df.shape[0]):
words = []
words.extend(df.iloc[line_num]['head'].split())
words.extend(df.iloc[line_num]['content'].split())
yield LabeledSentence(words, ['%s_%s' % (tag[i], words)])
class D2VModelManager:
"""
Doc2Vec 模型管理器
"""
def __init__(self):
self.dm_model_name = './model/dm.d2v'
def train_model(self):
"""
训练
"""
# 文档迭代器
doc_l = DocList()
# 定义模型
d2v = Doc2Vec(dm=1, size=300, negative=5, hs=1, sample=1e-5,
window=10, min_count=5, workers=12, alpha=0.025, min_alpha=0.025)
# 建立词典
d2v.build_vocab(doc_l)
# 训练10个 epoch
for epoch in range(10):
d2v.train(doc_l, total_examples=d2v.corpus_count, epochs=1) # epochs 设置为 1
d2v.alpha -= 0.002
d2v.min_alpha = d2v.alpha
d2v.save(self.dm_model_name)
@staticmethod
def load_model(model_name):
"""
加载
"""
return Doc2Vec.load(model_name)