gensim 使用word2vec模型怎么使用

Distributed Representations of Sentences and Documents 该论文提出了一种训练段落向量的方法。

（一） 提出动机

已经有比较优秀的模型可以很好的生成词向量，但是对于生成句子或者段落的向量，目前还没有比较好将单词向量变为句子向量的方法，常见的方法以及缺点如下：

• bag of words： 缺乏顺序性和语义性
• average word vectors：缺乏单词顺序性
• tfidf-weighting word vectors：缺乏单词顺序性
• LDA（待研究）

所以需要一种有效的方法来生成段落或者句子向量。

（二）核心思想

对于wod2vec模型，示意图如下

通过上下文来预测缺失值‘on’,在给定上下文后，通过更新参数使得出现缺失值的可能性最大，要最大化的函数如下，其中$w$表示单词

$\frac{1}{T} \sum_{t=k}^{T-k} \log p\left(w_{t} | w_{t-k}, \ldots, w_{t+k}\right)$

最终通过softmax的形式将输出转化为多分类问题：

$p\left(w_{t} | w_{t-k}, \ldots, w_{t+k}\right)=\frac{e^{y_{w_{t}}}}{\sum_{i} e^{y_{i}}}$

模型的输出可以写成：

$y=b+U h\left(w_{t-k}, \ldots, w_{t+k} ; W\right)$其中$U和b$都是softmax函数的参数，$W$为词向量矩阵，$h$表示把上下文单词融合到一起的方法，可以是拼接也可以是求平均。

训练段落向量思想跟word2vec训练词向量的思想其实差不多，首先构建一个共享的段落向量lookup矩阵，该矩阵中的维度m*n,m是段落个数，n是段落向量的维度。核心就是通过误差反向传播和梯度下降来更新该矩阵中的参数，方式类似于word2vec，即利用词向量和段落向量去预测上下文，来产生误差和梯度。

（三）模型训练

doc2vec模型中需要训练得到的主要有词向量和段落向量，需要训练$N*p + M*q$个参数（不包括softmax参数），

• $N$:词汇表数目
• $M$:段落数目
• $p$:词向量维度
• $q$:段落向量维度

训练方式主要有如下两种

（1）PV-DM（Distributed Memory Model of Paragraph Vectors）

如上图所示上，该方法类似word2vec中的CBOW，通过上下文预测缺失值，通过上下文的词向量以及当前段落向量通过某种方式融合到一起，在经过softmax层，得到词汇表中单词的预测结果，再通过label计算loss反向传播更新梯度。最终既可以得到词向量又可以得到段落向量。

（2）PV-DBOW（Distributed Bag of Words version of Paragraph Vector）

PV-DBOW类似于word2vec中的n-gram模型，用当前段落的词预测上下文中的词，注意下图中最上面的部分是分类器（用softmax加交叉熵产生损失函数）而不是单词对应的向量（我之前还在想这些词一直作为label，词向量一直不动啊）

（四）模型预测

对于一个新的段落，在固定单词向量$W$和softmax参数$U$和$B$时，对当前向量进行初始化，然后利上述两种方法更新段落向量即可。
在论文中，作者推荐将PV-DM和PV-DBOW产生的向量进行拼接得到最后使用的段落向量。