如何在 gensim 中加载预训练模型并用它训练 doc2vec？答案

【问题标题】：How to load pre-trained model with in gensim and train doc2vec with it?如何在 gensim 中加载预训练模型并用它训练 doc2vec？
【发布时间】：2016-08-17 08:05:02
【问题描述】：

我正在准备一个我已经训练过的 word2vec 模型。我已将其序列化为 CSV 文件：

word,  v0,     v1,     ..., vN
house, 0.1234, 0.4567, ..., 0.3461
car,   0.456,  0.677,  ..., 0.3461

我想知道的是如何在 gensim 中加载该词向量模型并使用它来训练段落或 doc2vec 模型。

这个Doc2Vec tutorial 说我可以以“# C text format”的形式加载模型，但我不知道这实际上意味着什么。首先是什么是“C 文本格式”，但更重要的是：

如何加载我的 word2vec 模型并将其用于 doc2vec 训练？

如何从我的 word2vec 模型构建词汇表？

【问题讨论】：

有人在这里问过类似的问题：stackoverflow.com/questions/27470670/…

标签： python gensim word2vec doc2vec

【解决方案1】：

Doc2Vec 不需要词向量作为输入：它会创建自己训练期间需要的任何词向量。（还有一些模式，比如纯 DBOW – dm=0, dbow_words=0 – 根本不使用或训练词向量。）

用词向量植入 Doc2Vec 模型可能有帮助，也可能有害；没有太多理论或已发表的结果可以提供指导。 Word2Vec 上有一个实验方法，intersect_word2vec_format()，可以将 word2vec-c-format 向量合并到具有现有词汇表的模型中，但您需要查看源代码才能真正理解它的假设：

https://github.com/RaRe-Technologies/gensim/blob/51753b95415bbc344ea6af671818277464905ea2/gensim/models/word2vec.py#L1140

【讨论】：

我无法证明这一说法，但我认为如果提供预训练的词向量，文档向量会更好地工作。我只是通过注释掉相交部分并比较结果来测试这一点。但是感谢您提供答案:)
用多少数据，用哪些预训练向量更好地完成什么任务？