python gensim從doc2vec檢索原文句子taggedlinedocument

Question

我使用Gensim的doc2vec方法來讀取我的文本文件，每行包含1個句子。它將我的文件讀入一個字典，其中的鍵是一個標記化的術語列表，值是句子編號。

這裏是我的代碼：新文件的

from gensim import utils 
    from gensim.models.doc2vec import LabeledSentence,TaggedLineDocument 
    from gensim.models import Doc2Vec 
    new_file = open('new_file.txt','w') 
    with open('myfile.txt','r') as inp: 
     for line in inp: 
      utils.simple_preprocess(line) 
      file1.write(str(utils.simple_preprocess(line)) + "\n") 
    file1.close() 

輸出示例：

[u'hi', u'how', u'are', u'you'] 
[u'its', u'such', u'great', u'day'] 
[u'its', u'such', u'great', u'day'] 
[u'its', u'such', u'great', u'day'] 

然後我把這個列表插入gensim的taggedlinedocument功能：

s = TaggedLineDocument('myfile.txt') 
for k,v in s: 
    print k, v 

輸出示例：

[u'hi', u'how', u'are', u'you'] [0] 
[u'hi', u'how', u'are', u'you'] [1] 
[u'hi', u'how', u'are', u'you'] [2] 
[u'its', u'such', u'a', u'great', u'day'] [3] 
[u'its', u'such', u'a', u'great', u'day'] [4] 

問題是，鑑於標籤id（示例0），我如何找回原始語句？

Answer 1

Gensim的Word2Vec/Doc2Vec模型不存儲語料庫數據 - 他們只是通過多次檢查來檢查它，以訓練模型。如果您需要檢索原始文本，則應使用自己的數據結構。