我正在尝试实现 doc2vec，但如果我有预训练的 word2vec 向量，我不确定模型的输入应该是什么样子。
问题是，我不确定如何在理论上将预训练的 word2vec 向量用于 doc2vec。我想，我可以用向量预填充隐藏层，然后用随机数填充隐藏层的其余部分
另一个想法是使用向量作为单词的输入而不是单热编码，但我不确定文档的输出向量是否有意义。
感谢您的回答！
【问题讨论】：
标签： python machine-learning nlp word2vec doc2vec
您可能认为Doc2Vec（又名 Mikolov/Le 的“段落向量”算法）需要词向量作为第一步。这是一个普遍的信念，也许有些直观，类似于人类如何学习一门新语言：先理解较小的单元，然后再理解较大的单元，然后从较小的单元中组合出较大单元的含义。
但这是一个常见的误解，Doc2Vec 不会这样做。
一种模式，纯 PV-DBOW（gensim 中的dm=0），根本不使用传统的每词输入向量。而且，这种模式通常是训练速度最快、性能最好的选项之一。
另一种模式，PV-DM（在 gensim 中为dm=1，默认值）确实使用了相邻的词向量，并以类似于 word2vec 的 CBOW 模式的方式与 doc 向量结合 - 但任何词向量它需求将与 doc-vectors 同时进行训练。他们没有在单独的步骤中第一次训练，所以没有一个简单的拼接点可以提供来自其他地方的词向量。
（您可以在 PV-DBOW 中使用 skip-gram 词训练，在 gensim 中使用 dbow_words=1，但这将在交错的共享模型过程中从头开始训练词向量。）
如果您可以使用来自其他地方的词向量预先植入模型，它不一定会改善结果：它很容易将它们的质量发送到侧面或更糟。在一些幸运的管理良好的情况下，它可能会加速模型收敛，或者是一种强制向量空间与早期向量集兼容的方法，但并非没有额外的陷阱和警告不是原始算法的一部分，或描述良好的实践。
【讨论】：