Keras 如何在tf idf和count vectorizor的Naive或Svm接口上应用Word to vector算法？

我正试图通过有监督的学习来实现单词到向量，以预测任何文档或新闻文章的情绪。word2vec表示与实数对应的每个单词，并根据该单词在文档中的出现情况创建向量

我的数据预处理如下：

text_clf = Pipeline([('vect', CountVectorizer(analyzer=to_lemmas)),
                     ('tfidf', TfidfTransformer()),
                     ('clf', MultinomialNB())])
tuned_parameters = {
    'vect__ngram_range': [(1, 1), (1, 2), (2, 2)],
    'tfidf__use_idf': (True, False),
    'tfidf__norm': ('l1', 'l2'),
    'clf__alpha': [1, 1e-1, 1e-2]
}

score = 'f1_macro'

clf = GridSearchCV(text_clf, tuned_parameters, cv=10, scoring=score)
clf.fit(x_train, y_train)

这里我应用countvectorizor，它给出单词计数，它被传递给tf idf，tf idf给出单词频率，然后作为分类器应用多项式朴素贝叶斯

Grid searchCV用于调整最佳分类模型

然后使用clf.fit对模型进行训练，使用clf.predict对传递的句子进行情感预测

我的此模型为我提供如下分类报告：

 irrelevant     0.9739    0.7517    0.8485       149
    negative     0.6308    0.5430    0.5836       151
     neutral     0.7082    0.8687    0.7803       419
    positive     0.5797    0.3670    0.4494       109

我想在这里应用Word-to-vector嵌入，请建议如何使用Naive和SVM实现Word-to-vector嵌入

您真的想从头开始“实现”word2vec吗？与之相反的是：（1）重用其他地方的单词向量作为分类器的可能帮助；或者（2）使用现有的工作库训练你自己的词向量？你真的想从头开始“实现”word2vec吗？而不是（1）重用其他地方的词向量作为分类器的可能辅助；或者（2）使用现有的工作库训练自己的词向量？