Некоторые режимы алгоритма «Вектор абзаца» (он же Doc2Vec в библиотеках, таких как Python gensim) будут преобразовывать как векторы документов, так и векторы слов в общее координатное пространство. (В частности, любой из режимов PV-DM dm=1 или режим PV-DBOW dm=0, если вы включаете обучение с чередованием слов по умолчанию с использованием чередования, используя dbow_words=1.)
В таком случае вы можете сравнить Doc2Vec векторов документов с совместно обученными векторами слов, с некоторой полезностью. Вы можете увидеть некоторые примеры в следующем документе, которые являются инициаторами алгоритма «Вектор абзаца»: « Вложение документа с векторами абзаца ».
Однако следует помнить, что векторы для отдельных слов, прошедшие обучение в контексте использования, могут не иметь векторов, которые соответствуют тем, которые мы ожидаем от тех же слов, если они предназначены для всеобъемлющих категорий. Например, education, используемый во многих предложениях, не обязательно предполагает все аспекты / широту, которые можно ожидать от Education, в качестве заголовка категории.
Такие отдельные слова-векторы могут работать лучше, чем ничего, и, возможно, могут служить средством начальной загрузки. Но было бы лучше, если бы у вас были отмеченные экспертом примеры документов, относящихся к интересующим категориям. Тогда вы также можете использовать более продвинутые алгоритмы классификации, чувствительные к категориям, которые не обязательно будут суммироваться (и в тесной сфере вокруг) какой-либо одной векторной точкой. В реальных областях интересов это может быть лучше, чем использование векторов с одним словом в качестве якорей категории.
Для любого другого не Doc2Vec метода векторизации текста вы могли бы получить сопоставимый вектор для одного слова, предоставив методу текст из одного слова. (Даже в режиме Doc2Vec, в котором не создаются векторы слов, например чистый PV-DBOW, вы можете использовать возможность вывода текста из этой модели для вывода вектора документа для документа из одного слова, для известных слов.)
Но, опять же, такие упрощенные / вырожденные выходные данные с одним словом могут не вполне соответствовать более общим / текстурированным категориям, которые вы ищете. Модели чаще используются для более широких контекстов, и сужение их вывода до одного слова может отражать особенности этого неестественного входного случая в большей степени, чем обычный импорт слова в реальном контексте.