如何从Gensim的ConcatenatedDoc2Vec获取联合模型的文档标签？

嘿，我之前复现Mikolov的PV-DM+PV-DBOW组合模型时，也碰到过一模一样的问题！ConcatenatedDoc2Vec确实有点“偷懒”——它本身并不存储拼接后的文档向量，只是把两个独立的Doc2Vec模型包装起来，方便后续对新文档做向量推断。不过要拿到训练好的文档的联合向量，咱们完全可以手动搞定：

方法一：按索引拼接（适合用数字索引的文档） #

如果你的训练语料是按顺序给文档分配数字索引的（比如tags=[i]），直接遍历索引，把两个模型对应位置的向量拼接就行：

import numpy as np
from gensim.models import ConcatenatedDoc2Vec

# 假设你已经训练好两个基础模型：pv_dm_model 和 pv_dbow_model
concatenated_model = ConcatenatedDoc2Vec([pv_dm_model, pv_dbow_model])

# 生成拼接后的文档向量列表
concatenated_doc_vecs = []
for doc_idx in range(len(pv_dm_model.docvecs)):
    # 从两个模型分别获取对应文档的向量
    vec_dm = pv_dm_model.docvecs.vectors_docs[doc_idx]
    vec_dbow = pv_dbow_model.docvecs.vectors_docs[doc_idx]
    # 拼接向量
    combined_vec = np.concatenate([vec_dm, vec_dbow])
    concatenated_doc_vecs.append(combined_vec)

⚠️ 注意：一定要保证两个模型是用完全相同的训练语料训练的，文档的索引顺序必须一一对应，不然拼接出来的向量就完全不对了！

方法二：按文档标签拼接（适合自定义标签的文档） #

如果你的文档用的是自定义标签（比如tags=['doc_001', 'doc_002']），可以遍历标签集合来拼接：

concatenated_doc_vecs = {}
# 遍历其中一个模型的所有文档标签
for doc_tag in pv_dm_model.docvecs.doctags.keys():
    vec_dm = pv_dm_model.docvecs[doc_tag]
    vec_dbow = pv_dbow_model.docvecs[doc_tag]
    combined_vec = np.concatenate([vec_dm, vec_dbow])
    concatenated_doc_vecs[doc_tag] = combined_vec

这样得到的字典会把每个文档标签和对应的联合向量关联起来，后续做t-SNE的时候直接提取值列表就行。

其实ConcatenatedDoc2Vec的核心作用是简化新文档的向量推断——调用它的infer_vector方法时，会自动调用两个基础模型的infer_vector，再把结果拼接返回。但对于训练阶段已有的文档向量，它确实没有做额外存储，所以手动拼接是最直接有效的方案。

内容的提问来源于stack exchange，提问作者Carlos Martin del Campo