Doc2Vec模型训练触发RuntimeError：需先构建词汇表问题排查

问题原因 #

你遇到的错误是因为Gensim的Doc2Vec构造函数在处理自定义迭代器时，可能无法自动完成词汇表构建流程——尤其是当你的TaggedDescriptionDocument是一次性迭代器（比如生成器）时，构造函数没办法重复遍历数据完成词汇统计和训练两步操作，就算设置了min_count=0也没用。

解决步骤 #

有两种可行的修复方式：

方式1：手动拆分词汇表构建与训练流程

先初始化空模型，手动调用build_vocab构建词汇表，再执行训练：

# 初始化空模型
model_d = Doc2Vec(vector_size=100, window=15, min_count=0, max_vocab_size=1000)
# 构建词汇表
model_d.build_vocab(des_documents)
# 执行训练，传入总文档数和训练轮数
model_d.train(des_documents, total_examples=model_d.corpus_count, epochs=model_d.epochs)

方式2：确保数据集可重复遍历

如果你的des_documents是一次性生成器，把它转换成可重复访问的列表：

# 将迭代器转为列表
des_docs_list = list(des_documents)
# 直接用列表初始化并训练（列表支持重复遍历，构造函数能自动完成词汇表构建）
model_d = Doc2Vec(des_docs_list, vector_size=100, window=15, min_count=0, max_vocab_size=1000)

额外提醒 #

min_count=0并不推荐，它会保留所有出现过的低频词，不仅会让词汇表快速膨胀，还会引入大量噪声，严重影响模型效果和训练效率。建议至少设置为min_count=1，甚至根据数据规模调整到更高值（比如5）来过滤无效词汇。

内容的提问来源于stack exchange，提问作者Alex