Doc2vec又叫Paragraph Vector是Tomas Mikolov基於word2vec模型提出的，其具有一些優點，比如不用固定句子長度，接受不同長度的句子做訓練樣本，Doc2vec是一個無監督學習演算法，可以用於生成句向量，段落向量和文件向量。生成的向量可以用於文字分類和語義分析.

下面是一個生成句向量，並檢視效果的程式（適用小資料量）：

#coding:utf-8
import jieba
import sys
import gensim
import sklearn
import numpy as np
from gensim.models.doc2vec import
 
 Doc2Vec, LabeledSentence
TaggededDocument = gensim.models.doc2vec.TaggedDocument

#進行中文分詞
def  cut_files():
    filePath = 'voicetext.txt'
    fr = open(filePath, 'rb');
    fvideo = file('voiceCut.txt', "w+");
    fileTrainSeg = []
    for line in fr.readlines():
        curLine =' '.join(list(jieba.cut(line)))
        fvideo.writelines(curLine.encode('utf-8'
 
))

#讀取分詞後的資料並打標記，放到x_train供後續索引，但是這樣的話佔用很大記憶體（這種小資料量使用）
def get_datasest():
    with open("voiceCut.txt", 'r') as cf:
        docs = cf.readlines()
        print len(docs)

    x_train = []
    for i, text in enumerate(docs):
        word_list = text.split(' ')
        l = len(word_list)
        word_list[l - 1
 
] = word_list[l - 1].strip()
        document = TaggededDocument(word_list, tags=[i])
        x_train.append(document)

    return x_train

#模型訓練
def train(x_train, size=200, epoch_num=1):
    model_dm = Doc2Vec(x_train, min_count=1, window=3, size=size, sample=1e-3, negative=5, workers=4)
    #model_dm.train(x_train, total_examples=model_dm.corpus_count, epochs=70)
    model_dm.save('model/model_dm_doc2vec')

    return model_dm

#例項
def test():
    model_dm = Doc2Vec.load("model/model_dm_doc2vec")
    test_text = ['我', '想', '看', '扶搖']
    inferred_vector_dm = model_dm.infer_vector(test_text)
    sims = model_dm.docvecs.most_similar([inferred_vector_dm], topn=10)
    return sims


if __name__ == '__main__':
    cut_files()
    x_train=get_datasest()
    model_dm = train(x_train)
    sims = test()
    for count, sim in sims:
        sentence = x_train[count]
        words = ''
        for word in sentence[0]:
            words = words + word + ' '
        print (words, sim, len(sentence[0]))

    #可以用句向量模型直接根據詞向量查詢相似度
    print (model_dm.wv.most_similar('扶搖'))

扶搖相似度為：

如果需要大資料量的資料進行訓練，則訓練過程中只需要TaggedLineDocument(inp)
具體例子如下：

import multiprocessing
from gensim.models.doc2vec import Doc2Vec
from gensim.models.doc2vec import TaggedLineDocument
import numpy as np

inp='corpusSegDone.txt'
sents = TaggedLineDocument(inp) #直接對文字標號 （大資料適用，但是這樣後續不能檢視對應的內容，需要其他方法查詢）
model = Doc2Vec(sents, size = 200, window = 8, alpha = 0.015)
outp1='docmodel'
model.save(outp1)

model=Doc2Vec.load(outp1)
sims = model.docvecs.most_similar(0)#0代表第一個句子或段落

#如果有兩個句子
doc_words1=['驗證','失敗','驗證碼','未','收到']
doc_words2=['今天','獎勵','有','哪些','呢']
#轉換為向量：
invec1 = model.infer_vector(doc_words1, alpha=0.1, min_alpha=0.0001, steps=5)
invec2 = model.infer_vector(doc_words2, alpha=0.1, min_alpha=0.0001, steps=5)

sims = model.docvecs.most_similar([invec1])#計算訓練模型中與句子1相似的內容
print (sims)

print(model.docvecs.similarity(0,1086620))#計算句子的相似度（0和1086620為句子的標號） 
#列印結果相似度位： 0.9385169567251749

sims列印結果：