关于Doc2Vec预测的理解

最近在读到Doc2Vec相关的博客时候发现很多博主在预测这一步都是一句话带过：

”训练完了以后，就会得到训练样本中所有的词向量和每句话对应的句子向量，那么Doc2vec是怎么预测新的句子Paragraph vector呢？其实在预测新的句子的时候，还是会将该Paragraph vector随机初始化，放入模型中再重新根据随机梯度下降不断迭代求得最终稳定下来的句子向量。不过在预测过程中，模型里的词向量还有投影层到输出层的softmax weights参数是不会变的，这样在不断迭代中只会更新Paragraph vector，其他参数均已固定，只需很少的时间就能计算出带预测的Paragraph vector“ 出处（这篇介绍原理还比较清晰明了，熟悉word2vec的可以去看看，不熟的先看懂word2vec）

奈何自己愚笨，这段在短暂思考之后还是不是很清晰，现在在多多思考了一下之后对预测方式大概明了，所以记

关于Doc2Vec预测的理解最先出现在Python成神之路。