欢迎交流，转载请注明出处。
本文介绍gensim工具包中，带标签（一个或者多个）的文档的doc2vec 的向量表示。
应用场景： 当每个文档不仅可以由文本信息表示，还有别的其他标签信息时，比如，在商品推荐中，将每个商品看成是一个文档，我们想学习商品向量表示时，可以只使用商品的描述信息来学习商品的向量表示，但有时：商品类别等信息我们也想将其考虑进去， 最简单的方法是：当用文本信息学习到商品向量后，添加一维商品的类别信息，但只用一维来表示商品类别信息的有效性差。gensim 工具包的doc2vec提供了更加合理的方法，将商品标签（如类别）加入到商品向量的训练中，即gensim 中的LabeledSentence方法
LabeledSentence的输入文件格式：每一行为：<labels, words>， 其中labels 可以有多个，用tab 键分隔，words 用空格键分隔，eg:<id category I like my cat demon>.
输出为词典vocabuary 中每个词的向量表示，这样就可以将商品labels：id，类别的向量拼接用作商品的向量表示。
写了个例子，仅供参考（训练一定要加 min_count=1，否则词典不全，这个小问题卡了一天 Doc2Vec(sentences, size = 100, window = 5, min_count=1)）
注意：下面的例子是gensim更新之前的用法，gensim更新之后，没有了labels 的属性，换为tags, 且目标向量的表示也由vacb转到docvecs 中。更新后gensim 的用法见例子2.
例子1：gensim 更新前。
# -*- coding: UTF-8 -*- import gensim, loggingimport osfrom gensim.models.doc2vec import Doc2Vec,LabeledSentencefrom gensim.models import Doc2Vecimport gensim.models.doc2vecasin=set()category=set()class LabeledLineSentence(object): def __init__(self, filename=object): self.filename =filename def __iter__(self): with open(self.filename,'r') as infile: data=infile.readlines(); # print "length: ", len(data) for uid,line in enumerate(data): asin.add(line.split("\t")[0]) category.add(line.split("\t")[1]) yield LabeledSentence(words=line.split("\t")[2].split(), labels=[line.split("\t")[0],line.split("\t")[1]])print 'success'logging.basicConfig(format = '%(asctime)s : %(levelname)s : %(message)s', level = logging.INFO)sentences =LabeledLineSentence('product_bpr_train.txt')model = Doc2Vec(sentences, size = 100, window = 5, min_count=1)model.save('product_bpr_model.txt')print 'success1'#for uid,line in enumerate(model.vocab):# print lineprint len(model.vocab)outid = file('product_bpr_id_vector.txt', 'w')outcate = file('product_bpr_cate_vector.txt', 'w')for idx, line in enumerate(model.vocab): if line in asin : outid.write(line +'\t') for idx,lv in enumerate(model[line]): outid.write(str(lv)+" ") outid.write('\n') if line in category: outcate.write(line + '\t') for idx,lv in enumerate(model[line]): outcate.write(str(lv)+" ") outcate.write('\n')outid.close()outcate.close() 例子2：gensim 更新后
# -*- coding: UTF-8 -*- import gensim, loggingimport osfrom gensim.models.doc2vec import Doc2Vec,LabeledSentencefrom gensim.models import Doc2Vecimport gensim.models.doc2vecasin=set()category=set()class LabeledLineSentence(object): def __init__(self, filename=object): self.filename =filename def __iter__(self): with open(self.filename,'r') as infile: data=infile.readlines(); print "length: ", len(data) for uid,line in enumerate(data): print "line:",line asin.add(line.split("\t")[0]) print "asin: ",asin category.add(line.split("\t")[1]) yield LabeledSentence(words=line.split("\t")[2].split(" "), tags=[line.split("\t")[0], line.split("\t")[1]])print 'success'logging.basicConfig(format = '%(asctime)s : %(levelname)s : %(message)s', level = logging.INFO)sentences =LabeledLineSentence('product_bpr_test_train.txt')model = Doc2Vec(sentences, size =50, window = 5, min_count=1)model.save('product_bpr_model50.txt')print 'success1'print "doc2vecs length:", len(model.docvecs)outid = file('product_bpr_id_vector50.txt', 'w')outcate = file('product_bpr_cate_vector50.txt', 'w')for id in asin: outid.write(id+"\t") for idx,lv in enumerate(model.docvecs[id]): outid.write(str(lv)+" ") outid.write("\n")for cate in category: outcate.write(cate + '\t') for idx,lv in enumerate(model.docvecs[cate]): outcate.write(str(lv)+" ") outcate.write('\n')outid.close()outcate.close()
参考：
http://rare-technologies.com/doc2vec-tutorial/
https://github.com/RaRe-Technologies/gensim/blob/develop/docs/notebooks/doc2vec-IMDB.ipynb
http://radimrehurek.com/gensim/models/doc2vec.html#blog