doc2vec计算文档相似度

发表于 | 分类于 | | 阅读次数

doc2vec是基于word2vec的，word2vec对于计算两个词语的相似度效率比较好，修改了word2vec中的cbow和skip-gram模型，paragraph vector直接得到doc向量。

使用过程

  • 1.读取文件，os.walk()遍历文件夹
  • 2.构建语料库，分词，过滤停用词。用gensim.models.doc2vec.TaggedDocument() 为文档打tag
  • 3.创建model
1
2
3
model = Doc2Vec(size=50, min_count=1, iter=10)
model.build_vocab(corpora_documents)
model.train(corpora_documents)
  • 4.计算相似度
1
2
3
inferred_vector = model.infer_vector(test_cut_raw_1)
sims = model.docvecs.most_similar([inferred_vector], topn=3)
print sims

git参考例子

参考：