基于Gensim Word2Vec模型获取文档-词矩阵及词共现矩阵的方法

没问题，咱们一步步来解决你的两个问题：

一、能不能获取文档-词矩阵？ #

Gensim的Word2Vec模型本身不会直接输出文档-词矩阵，因为它的核心目标是训练词向量，而非统计词频或文档词频。但我们完全可以基于输入语料，结合Word2Vec生成的词汇表来构建这个矩阵，步骤非常清晰：

1. 先训练Word2Vec模型，获取和词向量顺序一致的词汇表
2. 遍历每个文档，统计每个词的出现次数，用scipy稀疏矩阵存储（大语料下更高效）

下面是针对你给出的语料的完整代码：

import numpy as np
from scipy.sparse import csr_matrix
from gensim.models import Word2Vec

# 你的输入语料
sentences = [['first', 'sentence'], ['second', 'sentence']]

# 训练Word2Vec模型（参数可按需调整，这里用最小配置）
model = Word2Vec(sentences, min_count=1, vector_size=100)
# 获取模型的词汇表，顺序和词向量索引完全对应
vocab = model.wv.index2word

# 构建文档-词矩阵的稀疏表示
row_indices = []
col_indices = []
data = []

for doc_idx, doc in enumerate(sentences):
    # 统计当前文档的词频
    word_counts = {}
    for word in doc:
        word_counts[word] = word_counts.get(word, 0) + 1
    # 将统计结果映射到矩阵的索引位置
    for word, count in word_counts.items():
        word_idx = vocab.index(word)
        row_indices.append(doc_idx)
        col_indices.append(word_idx)
        data.append(count)

# 创建scipy稀疏矩阵
doc_term_matrix = csr_matrix((data, (row_indices, col_indices)), 
                             shape=(len(sentences), len(vocab)))

# 转换成稠密矩阵查看（小语料适用，大语料不建议）
print("文档-词矩阵（可读形式）：")
print("词汇表：", vocab)
print(doc_term_matrix.toarray())

运行后输出的矩阵就是你期望的结果：

[[1 0 1]
 [0 1 1]]

对应你想要的可读格式：

first second sentence
doc0 1 0 1
doc1 0 1 1

二、能不能转换成词-词共现矩阵？ #

当然可以！词-词共现矩阵的统计逻辑主要有两种：基于文档共现（两个词出现在同一文档就算一次共现）和基于滑动窗口（和Word2Vec训练窗口一致，统计窗口内的词共现）。这里先给你实现你示例中的文档级共现矩阵：

我们可以直接基于上面的文档-词矩阵计算：先把文档-词矩阵转成二进制（词在文档中出现过记为1，否则0），再用矩阵的转置乘以原矩阵，得到的就是词-词共同出现的文档数矩阵。

代码如下：

# 把文档-词矩阵转成二进制矩阵（只记录是否出现，不记录次数）
binary_doc_term = doc_term_matrix.sign()

# 计算词-词共现矩阵：转置矩阵 × 原矩阵
cooccurrence_matrix = binary_doc_term.T.dot(binary_doc_term)

# 查看结果
print("\n词-词共现矩阵（可读形式）：")
print(cooccurrence_matrix.toarray())

输出结果为：

[[1 0 1]
 [0 1 1]
 [1 1 2]]

这个结果和你的示例几乎一致，唯一区别是sentence对应的对角元素是2——因为它在2个文档中都出现了，共现次数（和自己共现的文档数）是2，这是更准确的统计结果。如果你想要对角元素为1，可以手动将对角线置为1，不过一般共现矩阵会保留真实的统计值。

如果需要基于滑动窗口的共现矩阵（和Word2Vec训练时的窗口逻辑一致），可以遍历每个句子的滑动窗口，统计两两词的出现次数，逻辑也很容易实现。

内容的提问来源于stack exchange，提问作者DavidR