我使用gensim训练了一个doc2vec模型，训练数据是标记过的文档（长度>10）。目标是获取所有训练文档的文档向量，但我在model.docvecs中只能找到10个向量。

训练数据的示例（长度>10）

docs = ['This is a sentence', 'This is another sentence', ....]

经过一些预处理

doc_=[d.strip().split(" ") for d in doc]doc_tagged = []for i in range(len(doc_)):  tagd = TaggedDocument(doc_[i],str(i))  doc_tagged.append(tagd)

标记后的文档

TaggedDocument(words=array(['a', 'b', 'c', ..., ],  dtype='<U32'), tags='117')

训练doc2vec模型

model = Doc2Vec(min_count=1, window=10, size=100, sample=1e-4, negative=5, workers=8)model.build_vocab(doc_tagged)model.train(doc_tagged, total_examples= model.corpus_count, epochs= model.iter)

然后我得到了最终的模型

len(model.docvecs)

结果是10…

我尝试了其他数据集（长度>100, 1000），但len(model.docvecs)的结果相同。所以，我的疑问是：如何使用model.docvecs获取所有向量？（不使用model.infer_vector）model.docvecs是否设计用于提供所有训练文档的向量？

回答：

问题出在这行代码：

tagd = TaggedDocument(doc[i],str(i))

Gensim的TaggedDocument接受一个标签序列作为第二个参数。当你传递一个字符串'123'时，它会被转换成['1', '2', '3']，因为它被视为一个序列。结果，所有文档都被标记为仅10个标签['0', ..., '9']，以各种组合形式出现。

另一个问题是：你定义了doc_但从未实际使用它，所以你的文档也会被错误地分割。

这里是正确的解决方案：

docs = [doc.strip().split(' ') for doc in docs]tagged_docs = [doc2vec.TaggedDocument(doc, [str(i)]) for i, doc in enumerate(docs)]