Doc2Vec 生成embedding 模型

Doc2Vec（文档到向量）是一种自然语言处理技术，它扩展自 Word2Vec，旨在捕获句子级别的上下文信息，生成每个文档的固定长度向量表示，即文档嵌入（Document Embedding）。这种技术通常基于两种模型： Distributed Memory Model of Paragraph Vectors (PV-DM) 和 Continuous Bag-of-Words with Subword Information (CBOW-SW)。

**生成过程**：
1. **训练阶段**：
- 首先，将整个文档拆分成段落或单词序列（对于 PV-DM），并标记好它们的上下文。
- CBOW-SW 还利用子词信息来增强词汇表的覆盖范围。
- 训练过程中，模型会学习每个词以及其上下文词的关系，同时尝试从上下文中推断出未看到过的词。

2. **生成 embedding**：
- 给定一个新的文档，通过相似的训练过程，将整个文档作为一个整体输入到模型中，计算出这个文档的向量表示，这个向量能反映出文档的主题、结构和内容特点。

3. **应用**：
- 文档嵌入可以用于多种任务，如文档相似度计算、文档分类、聚类、检索等。

**实例**：

library(doc2vec)
# 假设我们有一个名为"docs"的数据框，其中包含文章文本
model <- TextModel$new(docs$text_column, vector_size = 100) # 设置向量维度
model$train(window = 5, min_count = 1) # 训练参数
doc_vecs <- model$sentenceVector(docs$new_document) # 对新文档生成向量