目录:

前言：

最近由于要开发一款项目，就想用doc2vec来实现其中的推荐功能，根据用户输入的问题利用doc2vec返回相似的问题。
以下是整个Demo的实现过程，具体的详细代码请参考我的Git：https://github.com/645187919/doc2vecDemo

对于doc2vec来说其实内部原理也是先拿到尽可能多的数据生成一个model然后根据输入再在model中进行匹配，得到对应的输入。

第一步：首先我们需要拿到对应的数据，相关的代码如下：

def get_datasest():fin = open("questions.txt",encoding='utf8').read().strip(' ')   #strip()取出首位空格# print(fin)# print(type(fin))# 添加自定义的词库用于分割或重组模块不能处理的词组。jieba.load_userdict("userdict.txt")# 添加自定义的停用词库，去除句子中的停用词。stopwords = set(open('stopwords.txt',encoding='utf8').read().strip('\n').split('\n'))   #读入停用词text = ' '.join([x for x in jieba.lcut(fin) if x not in stopwords])  #去掉停用词中的词# print(text)print (type(text),len(text))x_train = []word_list = text.split('\n')print(word_list[0])for i,sub_list in enumerate(word_list):document = TaggededDocument(sub_list, tags=[i])# document是一个Tupple,形式为：TaggedDocument( 杨千嬅 现在 教育 变成 一种 生意 , [42732])# print(document)x_train.append(document)return x_train

第二步：拿到对应的数据后，就开始训练数据生成对应的model，对应的代码如下：

def train(x_train, size=200, epoch_num=1):# D2V参数解释：# min_count：忽略所有单词中单词频率小于这个值的单词。# window：窗口的尺寸。（句子中当前和预测单词之间的最大距离）# size:特征向量的维度# sample：高频词汇的随机降采样的配置阈值，默认为1e-3，范围是(0,1e-5)。# negative: 如果>0,则会采用negativesampling，用于设置多少个noise words（一般是5-20）。默认值是5。# workers：用于控制训练的并行数。model_dm = Doc2Vec(x_train,min_count=1, window = 5, size = size, sample=1e-3, negative=5, workers=4,hs=1,iter=6)# total_examples：统计句子数# epochs：在语料库上的迭代次数(epochs)。model_dm.train(x_train, total_examples=model_dm.corpus_count, epochs=70)model_dm.save('model_test')return model_dm

第三步：得到生成的model后，我们就可以输入相应的问题得到相似的问题。代码如下：

def test():model_dm = Doc2Vec.load("model_test")test_ = '申请贷款需要什么条件？'#读入停用词stopwords = set(open('stopwords.txt',encoding='utf8').read().strip('\n').split('\n'))#去掉停用词中的词test_text = ' '.join([x for x in jieba.lcut(test_) if x not in stopwords])print(test_text)#获得对应的输入句子的向量inferred_vector_dm = model_dm.infer_vector(doc_words=test_text)# print(inferred_vector_dm)#返回相似的句子sims = model_dm.docvecs.most_similar([inferred_vector_dm], topn=10)return sims

第四步：将拿到的相似问题表示出来就OK了。

if __name__ == '__main__':x_train = get_datasest()# print(x_train)# model_dm = train(x_train)sims = test()# sims:[(89, 0.730167031288147), (6919, 0.6993225812911987), (6856, 0.6860911250114441), (40892, 0.6508388519287109), (40977, 0.6465731859207153), (30707, 0.6388640403747559), (40160, 0.6366203427314758), (11672, 0.6353889107704163), (16752, 0.6346361637115479), (40937, 0.6337493062019348)]# sim是一个Tuple,内部包含两个元素，一个是对应的句子的索引号（之前自定义的tag）一个是对应的相似度# print(type(sims))# print('sims:'+str(sims))for count, sim in sims:sentence = str(x_train[count])# sentence = x_train[count]# print('sentence:'+sentence)# print('sim:'+str(sim))print(sentence, sim, len(sentence))

当然中间你也可以拿到对应的句子的向量如下：

def getVecs(model, corpus, size):vecs = [np.array(model.docvecs[z.tags[0]].reshape(1, size)) for z in corpus]return np.concatenate(vecs)

总结：

虽然在程序中自定义了停词库和词库但是整体的效果依旧不尽人意，甚至在刚开始未调参阶段碰到对于同一个输入运行多次得到不同结果的尴尬情况……虽然这个问题在后来通过调参解决了，但是发现发现这里面仍有许多问题：如输入问题A，model中也包含问题A，但是返回的相似问题中，A的相关度有些却不是最高的等等。后来查了一些资料发现其他的一些网友做这个实验的时候也是效果不理想（至于出现这些问题的原因目前不是特别清楚，按照Doc2Vec的理论来说效果应该不会很差的，可实践后却啪啪啪打脸。。。）。所以暂时得到的结论就是：doc2vec效果时好时坏，偶然性大，不稳定。目前有找到另一种方法来满足我的需求，同样采用的是句子向量，同样是用余弦定理来求相似句子，理论比doc2vec简单，效果也比doc2vec好。等整理好了，会在下一篇文章中做介绍。