gensim Doc2Vec 是否区分具有正面和负面上下文的相同句子。？
Do gensim Doc2Vec distinguish between same Sentence with positive and negative context.?
在学习 Doc2Vec 库时，我遇到了以下问题。
gensim Doc2Vec能区分正负上下文的同一个Sentence吗？
例如：
句子A："I love Machine Learning"
句子 B："I do not love Machine Learning"
如果我用 doc2vec 训练句子 A 和 B 并找到它们向量之间的余弦相似度：
- 模型是否能够区分句子并给出一个非常小于 1 或负的余弦相似度？
- 或者该模型是否会表示向量中非常接近的两个句子 space 并给出接近 1 的余弦相似度，因为除否定词外，大多数词都是相同的（不）。
此外，如果我只训练句子 A 并尝试推断句子 B，两个向量是否会在向量 space 中彼此接近？
我会请求 NLP 社区和 Doc2Vec 专家帮助我理解这一点。
提前致谢！！
本质上，gensim Doc2Vec 背后的 'Paragraph Vector' 算法所做的就是找到一个向量（与神经网络一起）擅长预测文本中出现的单词。所以是的，具有几乎相同单词的文本将具有非常接近的向量。 （没有句法理解，某些词在某些地方有很大的逆转作用。）
然而，即使是这样的向量 也可能 在情感分析中是可行的（虽然不是最先进的）。原始 'Paragraph Vectors' 论文评估矢量可用性的方法之一是估计短片评论的情绪。 （这些比单个句子长 - 成百上千个单词。）在文档向量上训练分类器时，分类器做得很好，并且比其他基线技术更好，估计 negativity/positivity评论。
你的单个、微小、做作的句子可能更难——它们很短，只有几个词的差异，所以向量会非常接近。但是那些不同的词（尤其是 'not'）通常非常能表达情绪——所以微小的差异可能足以将向量从 'positive' 区域转移到 'negative' 区域。
所以你必须尝试一下，使用包含数万个不同文本示例的真实训练语料库（因为这种技术在玩具大小的数据集上效果不佳）和 post-矢量化分类器步骤。
另请注意，在纯 Doc2Vec 中，在训练期间添加已知标签（如 'positive' 或 'negative'）（与任何基于唯一文档 ID 的标签一起或代替任何基于文档 ID 的标签）有时可以帮助生成的 vector-space 对您想要的区别更加敏感。并且，'FastText' 或 'StarSpace' 等其他变体技术更直接地将已知标签集成到矢量化中，这可能会有所帮助。
不过，短句的最佳结果可能会考虑到单词的相对顺序和语法分析。您可以在斯坦福 NLP 研究小组的页面上看到这种更高级技术的演示：
http://nlp.stanford.edu:8080/sentiment/rntnDemo.html
尽管在评论中查看它仍在努力解决的各种困难案例的例子。
使用 textblob 并为每个句子设置情感和极性。使用 nlp
标记句子
在学习 Doc2Vec 库时，我遇到了以下问题。
gensim Doc2Vec能区分正负上下文的同一个Sentence吗？
例如：
句子A："I love Machine Learning"
句子 B："I do not love Machine Learning"
如果我用 doc2vec 训练句子 A 和 B 并找到它们向量之间的余弦相似度：
- 模型是否能够区分句子并给出一个非常小于 1 或负的余弦相似度？
- 或者该模型是否会表示向量中非常接近的两个句子 space 并给出接近 1 的余弦相似度，因为除否定词外，大多数词都是相同的（不）。
此外，如果我只训练句子 A 并尝试推断句子 B，两个向量是否会在向量 space 中彼此接近？
我会请求 NLP 社区和 Doc2Vec 专家帮助我理解这一点。
提前致谢！！
本质上，gensim Doc2Vec 背后的 'Paragraph Vector' 算法所做的就是找到一个向量（与神经网络一起）擅长预测文本中出现的单词。所以是的，具有几乎相同单词的文本将具有非常接近的向量。 （没有句法理解，某些词在某些地方有很大的逆转作用。）
然而，即使是这样的向量 也可能 在情感分析中是可行的（虽然不是最先进的）。原始 'Paragraph Vectors' 论文评估矢量可用性的方法之一是估计短片评论的情绪。 （这些比单个句子长 - 成百上千个单词。）在文档向量上训练分类器时，分类器做得很好，并且比其他基线技术更好，估计 negativity/positivity评论。
你的单个、微小、做作的句子可能更难——它们很短，只有几个词的差异，所以向量会非常接近。但是那些不同的词（尤其是 'not'）通常非常能表达情绪——所以微小的差异可能足以将向量从 'positive' 区域转移到 'negative' 区域。
所以你必须尝试一下，使用包含数万个不同文本示例的真实训练语料库（因为这种技术在玩具大小的数据集上效果不佳）和 post-矢量化分类器步骤。
另请注意，在纯 Doc2Vec 中，在训练期间添加已知标签（如 'positive' 或 'negative'）（与任何基于唯一文档 ID 的标签一起或代替任何基于文档 ID 的标签）有时可以帮助生成的 vector-space 对您想要的区别更加敏感。并且，'FastText' 或 'StarSpace' 等其他变体技术更直接地将已知标签集成到矢量化中，这可能会有所帮助。
不过，短句的最佳结果可能会考虑到单词的相对顺序和语法分析。您可以在斯坦福 NLP 研究小组的页面上看到这种更高级技术的演示：
http://nlp.stanford.edu:8080/sentiment/rntnDemo.html
尽管在评论中查看它仍在努力解决的各种困难案例的例子。
使用 textblob 并为每个句子设置情感和极性。使用 nlp
标记句子