我正在尝试使用doc2vec根据文档主题进行文本分类，例如，我想将所有关于体育的文档分类为1，将所有其他文档分类为0。我的计划是先用训练数据训练一个doc2vec模型，然后使用一个分类模型（如逻辑回归）将文本分类为正面或负面。

我在网上看到了各种示例来实现这一点[1,2]，它们采用了不同的方法，我对一些细节不太清楚，例如为什么他们使用某些方法，以及哪种方法对文本分类最有效。

1. 首先，使用上面的示例，是否应该仅使用与体育相关的文档还是所有主题的文档来训练模型。我的想法是通过仅在体育文档上训练，可以根据文档的相似性来分类文档（尽管这不会为非体育文档生成向量以用于训练下一个模型）。此外，我觉得如果在所有文档上训练模型，你将需要大量的文档来代表体育以外的所有内容才能获得良好的分类效果。

2. 其次，哪些特征实际上被用于训练逻辑回归模型。如果在所有文档上训练模型，我假设你会使用某种索引来跟踪文档，然后使用带有类别标签的向量来训练逻辑回归模型，这是正确的吗？

3. 第三，我看到各种使用TaggedDocument的例子，其中为每个文档分配了一个唯一ID，也有一些使用共享ID来表示同一类别的情况，例如，1 = 体育，0 = 非体育。据我所知，使用共享ID意味着模型有一个代表每个类别的单一向量，而使用唯一ID则为每个文档提供唯一的向量，这是正确的吗？如果是这样，假设我需要唯一标记的向量来训练逻辑回归模型，那么使用共享ID的意义何在？这不会导致非常糟糕的分类结果吗？

如果有人能帮助我解答上述问题，并总体上说明使用doc2vec向量进行文本分类的最佳方法，我将不胜感激。

回答：

gensim 中包含了一个使用 Doc2Vec 进行情感分类的示例，与您的需求非常接近。请查看：

https://github.com/RaRe-Technologies/gensim/blob/bcee414663bdcbdf6a58684531ee69c6949550bf/docs/src/gallery/howtos/run_doc2vec_imdb.py

（它可能比您链接的其他教程更好。特别是，您链接的第二个教程目前在其误导性的循环中多次调用train()时对alpha的管理非常错误。）

具体回答您的问题：

(1) 尽可能多地使用训练数据，包括在所需类别内外的所有数据。仅见过“正面”例子的模型不太可能从与其训练数据完全不同的文档中生成有意义的向量。（特别是，对于像Doc2Vec这样的模型，它只知道训练期间见过的词，如果您后来尝试为包含未知词的新文档推断向量，这些词将被完全忽略。）

(2) 是的，分类器（无论使用哪种算法）都会接收特征和已知标签。它然后学习从这些特征中推断这些标签。

(3) 传统上，Doc2Vec 是使用每个文档的唯一ID ‘标签’来训练的——没有已知标签信息。因此，每个文档都有自己的向量，这个过程完全是“无监督”的。也可以给文档分配多个标签，或者在多个文档上使用同一个标签。并且，您可以使这些标签与已知标签匹配——所以所有“体育”文档共享'sports'标签（可以是除了它们的唯一ID之外，或者代替它）。但是，这样做会在简单的一ID标签一文档的情况下增加许多其他复杂性。因此，在您掌握了更简单的案例后，我不建议尝试任何这方面的尝试。（我见过一些案例，在多类别分类问题中，混合使用已知标签作为额外标签可能会有所帮助，尤其是在这些额外标签各自只适用于所有文档的一小部分的情况下。但这并非有保证的——因此，只有在您有了一个工作的简单基线，并且有可重复的方法来评估不同模型之间的替代方案后，这样做才有意义。）