Python 如果给定一个输入向量或一系列向量，是否可以使用XGBoost预测整个输出向量？

我有文本评论和答案的文本数据集。评论和答案中的每一句都被矢量化如下：

                    Vector_Review                                       Answer_Vector
0   [1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 1]   [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
1   [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1]   [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
2   [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]   [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
3   [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0]   [0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0]
4   [1, 0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0]   [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

我已经编好了向量来举个例子，我知道它们不符合预期，但是想象一下复习向量和答案向量匹配

这些句子的向量是根据从评论/答案文本中提取的构建词汇集，使用

one hot

匹配创建的。当评论关键字出现在其答案上时，它将是1，如果不是，则为0

现在我想提出几个问题。假设每个审查向量与其对应的答案向量相关联：

• 有没有一种方法可以预测一个新的复习向量下的整个答案向量
• 是否有任何ML算法可以接受这样的输入向量并输出新向量
• XGboost或任何其他现有算法是否可能实现这一点
• 使用神经网络是否可能/更好
• 如果不是的话，解决这个问题的最佳方法是什么

---

提前非常感谢

我将把所有问题的答案总结为一个问题：

给定一个输入文本，您可以使用统计分布和推断的语法和语义来预测第二个文本

最近，Seq2Seq模型在这方面取得了很大成功

总之，seq2seq是一个由编码器和解码器组成的神经网络模型（通常在递归神经网络（RNN）的基础上制作）。通常，这是基于嵌入的，但似乎将一个热门编码转换为嵌入并不困难

由于使用了所谓的注意机制（和Google BERT），该模型出现了几次爆发

因此，这通常最好使用人工神经网络

以下是一些参考资料：

• 伯特：

• Seq2Seq：

• 注意:

• RNN：

---

非常感谢Tiago。这正是我需要的方向。我对NLP很陌生，我想知道在预测另一个文本序列的文本序列时，哪种方法可能是最好的方法。我来看看你的建议。我希望这能帮我实现我的目标：）