Question

我已经通过网络上找到的示例修补了以下代码：

# gensim modules
from gensim import utils
from gensim.models.doc2vec import LabeledSentence
from gensim.models import Doc2Vec
from sklearn.cluster import KMeans

# random
from random import shuffle

# classifier

class LabeledLineSentence(object):
    def __init__(self, sources):
        self.sources = sources

        flipped = {}

        # make sure that keys are unique
        for key, value in sources.items():
            if value not in flipped:
                flipped[value] = [key]
            else:
                raise Exception('Non-unique prefix encountered')

    def __iter__(self):
        for source, prefix in self.sources.items():
            with utils.smart_open(source) as fin:
                for item_no, line in enumerate(fin):
                    yield LabeledSentence(utils.to_unicode(line).split(), [prefix + '_%s' % item_no])

    def to_array(self):
        self.sentences = []
        for source, prefix in self.sources.items():
            with utils.smart_open(source) as fin:
                for item_no, line in enumerate(fin):
                    self.sentences.append(LabeledSentence(utils.to_unicode(line).split(), [prefix + '_%s' % item_no]))
        return self.sentences

    def sentences_perm(self):
        shuffle(self.sentences)
        return self.sentences

sources = {'test.txt' : 'DOCS'}
sentences = LabeledLineSentence(sources)

model = Doc2Vec(min_count=1, window=10, size=100, sample=1e-4, negative=5, workers=8)
model.build_vocab(sentences.to_array())

for epoch in range(10):
    model.train(sentences.sentences_perm())

print(model.docvecs)

我的test.txt文件每行包含一个段落。

代码运行正常并为每行文本生成DocvecsArray

我的目标是输出如下：

群集1：[DOC_5，DOC_100，... DOC_N]
群集2：[DOC_0，DOC_1，... DOC_N]

我找到了following Answer，但输出是：

第1组：[word，word ... word]
集群2：[字，字......字]

如何更改代码并获取文档群集？

Answer 1

所以看起来你几乎就在那里。

您正在输出一组矢量。对于sklearn包，你必须将它们放入一个numpy数组 - 使用numpy.toarray（）函数可能是最好的。对于KMeans而言，The documentation非常出色，即使在整个图书馆中也是如此。

给你的一个注意事项是，我在DBSCAN上的运气比KMeans好得多，KMeans都包含在同一个sklearn库中。 DBSCAN不要求您指定要在输出上拥有的簇数。

两个链接都有很好的注释代码示例。

Answer 2

就我而言，我用过：

for doc in docs:
    doc_vecs = model.infer_vector(doc.split())
# creating a matrix from list of vectors
mat = np.stack(doc_vecs)

# Clustering Kmeans
km_model = KMeans(n_clusters=5)
km_model.fit(mat)
# Get cluster assignment labels
labels = km_model.labels_

# Clustering DBScan
dbscan_model = DBSCAN()
labels = dbscan_model.fit_predict(mat)

模型是经过预先训练的Doc2Vec模型。在我的情况下，我不需要集中相同的培训文档，但保存在docs列表中的新文档

doc2vec如何对DocvecsArray进行聚类

2 个答案: