如何获取Gensim Doc2Vec模型训练后的全部1000个文档向量？

嗨，看起来你遇到了Doc2Vec文档向量获取的问题——明明训练了1000份文档，却只能拿到10个向量，别担心，这大概率是因为你用错了获取全部向量的方式，或者是Gensim版本差异导致的属性变化。我来帮你一步步解决：

首先，先确认你的Gensim版本，不同版本的API有区别：

import gensim
print(gensim.__version__)

针对Gensim 4.x及以上版本 #

Gensim 4.x对Doc2Vec的API做了简化，旧的docvecs属性被替换成了dv（Document Vectors的缩写）。要一次性获取所有1000个文档的向量，直接访问model.dv.vectors即可，它会返回一个NumPy数组，形状正好是(1000, 20)（对应你的1000份文档和设置的vec_size=20）。

示例代码：

# 获取全部文档向量
all_doc_vectors = model.dv.vectors
# 验证向量数量
print(f"文档向量数量：{all_doc_vectors.shape[0]}")  # 应该输出1000

如果你需要按标签单独获取某个文档的向量，因为你训练时用的是字符串类型的标签（tags=str(i)），记得用字符串索引：

# 获取第500个文档的向量
vec_500 = model.dv[str(500)]

针对Gensim 3.x及以下版本 #

在旧版本中，文档向量存储在model.docvecs对象里，你可以通过model.docvecs.vectors_docs获取全部向量数组：

# 获取全部文档向量
all_doc_vectors = model.docvecs.vectors_docs
print(f"文档向量数量：{all_doc_vectors.shape[0]}")  # 应该输出1000

额外注意事项 #

还要确保你的训练过程是完整的——比如有没有正确跑满所有训练轮次，有没有调用model.build_vocab(tagged_data)初始化词汇表。这里给你补一个标准的训练循环示例，避免因为训练不完整导致向量缺失：

model.build_vocab(tagged_data)
for epoch in range(max_epochs):
    print(f'Epoch {epoch+1}/{max_epochs}')
    # 训练模型
    model.train(
        tagged_data,
        total_examples=model.corpus_count,
        epochs=1
    )
    # 逐步降低学习率（这一步可选，但能提升训练效果）
    model.alpha -= 0.0002
    model.min_alpha = model.alpha

这样处理后，你就能拿到全部1000个文档的向量，直接用于KMeans聚类啦！

内容的提问来源于stack exchange，提问作者William Jones