Nlp gensim中TaggedDocument和TaggedLineDocument之间的差异？以及如何处理目录中的文件？

我是doc2vec新手，我希望使用它对文本集进行分类

我对TaggedDocument和TaggedLineDocument感到困惑

1） 两者之间有什么区别？TaggedLineDocument是TaggedDocuments的集合吗

---

2） 如果我有一个包含所有文件的目录，如何为它们生成特征向量？我是否应该创建一个新文件，其中每行都包含目录中文件的文本？

TaggedDocument

是一个示例类，用于表示可以作为文本示例的对象。您不需要使用它–您只需要提供具有

words

属性（即字符串标记列表）和

tags

属性（即与文档关联的标记列表）的对象。（也就是说，您可以将文本示例作为“成形”或“鸭型”对象提供，如

TaggedDocument

）

TaggedLineDocument

是一个实用程序类，用于获取每行有一个文档的文件，该文件的标记字已用空格分隔，并将其转换为

TaggedDocument

的可编辑集合，其中每个文档都有一个整数行号作为其唯一标记。因此，它是将文本流式传输到

Doc2Vec

的一个最简单的示例，通常情况下，每行文本文件只有一个文档作为输入，不需要自定义每文档标记/id

如果数据采用其他格式，则不能直接使用

TaggedLineDocument

，但这可能是一个有用的起点。如果您可以使用从0到文档计数的简单标记，则可以将格式转换为单个文件

TaggedLineDocument

---

或者，特别是如果您需要使用自定义标记，您可以编写自己的类，将数据源（无论是一组文件、网络资源还是数据库）转换为一个iterable对象，该对象会为每个示例发出一个类似于

TaggedDocument

的对象

最好问两个独立的问题，必要时把它们联系起来。“如何处理目录中的文件？”并没有说明您想要完成什么。