使用 word2vec 模型作为文本聚类的特征提取器是否有优势？
Is there an advantage in using a word2vec model as a feature extractor for text clustering?
我正在使用 scikit-learn 进行文本分类 the example in the documentation。
为了提取特征，即转换一组向量中的文本，该示例使用 HashingVectorizer and a TfidfVectorizer 向量化器。
我正在矢量化器之前进行词干化，以处理同一单词的不同词干。也就是说，我希望将“运行ning”和“运行”映射到相同的向量。
我想知道使用 word2vec model 作为矢量化器是否有优势。我认为这将使我能够处理同义词，即将具有相同含义的不同单词映射到向量 space.
中彼此非常接近的向量
我的推理是否正确，或者以下 KMeans 聚类算法会为我处理同义词？
是的，基于 word2vec 的特征有时会提供优势。
但它是否有帮助以及如何提供帮助将取决于您的确切 data/goals，以及您在尝试 word2vec 增强方法之前取得的基准结果。你的问题中没有描述或显示这些。
scikit-learn example you report as your model 没有集成任何 word2vec 功能。如果添加此类功能会怎样？ （作为一个非常笨拙但简单的示例，如果您将 HashingVectorizer 替换或连接成一个向量，该向量是所有文本的词向量的平均值。）
结果是否有所改善，无论是通过一些定量评分还是通过粗略的目测审查？
我正在使用 scikit-learn 进行文本分类 the example in the documentation。
为了提取特征，即转换一组向量中的文本，该示例使用 HashingVectorizer and a TfidfVectorizer 向量化器。
我正在矢量化器之前进行词干化，以处理同一单词的不同词干。也就是说，我希望将“运行ning”和“运行”映射到相同的向量。
我想知道使用 word2vec model 作为矢量化器是否有优势。我认为这将使我能够处理同义词，即将具有相同含义的不同单词映射到向量 space.
中彼此非常接近的向量我的推理是否正确，或者以下 KMeans 聚类算法会为我处理同义词？
是的，基于 word2vec 的特征有时会提供优势。
但它是否有帮助以及如何提供帮助将取决于您的确切 data/goals，以及您在尝试 word2vec 增强方法之前取得的基准结果。你的问题中没有描述或显示这些。
scikit-learn example you report as your model 没有集成任何 word2vec 功能。如果添加此类功能会怎样？ （作为一个非常笨拙但简单的示例，如果您将 HashingVectorizer 替换或连接成一个向量，该向量是所有文本的词向量的平均值。）
结果是否有所改善，无论是通过一些定量评分还是通过粗略的目测审查？