我有一个用Doc2Vec训练的语料库，如下所示：
d2vmodel = Doc2Vec(vector_size=100, min_count=5, epochs=10)
d2vmodel.build_vocab(train_corpus)
d2vmodel.train(train_corpus, total_examples=d2vmodel.corpus_count, epochs=d2vmodel.epochs)
使用向量，使用kmeans:对文档进行聚类
kmeans_model = KMeans(n_clusters=NUM_CLUSTERS, init='k-means++', random_state = 42)
X = kmeans_model.fit(d2vmodel.docvecs.vectors_docs)
labels=kmeans_model.labels_.tolist()
我想使用k-means对一个新文档进行聚类，并知道它属于哪个聚类。我尝试了以下操作，但我认为预测的输入不正确。
from numpy import array
testdocument = gensim.utils.simple_preprocess('Microsoft excel')
cluster_label = kmeans_model.predict(array(testdocument))
感谢您的帮助！
您的kmeans_model需要一个类似于其原始集群期间提供的特征向量，而不是您将从gensim.simple_preprocess()返回的字符串标记列表。
事实上，您希望使用Doc2Vec模型来获取这样的令牌列表，并通过其infer_vector()方法将它们转换为模型兼容的向量。例如：
testdoc_words = gensim.utils.simple_preprocess('Microsoft excel')
testdoc_vector = d2vmodel.infer_vector(testdoc_words)
cluster_label = kmeans_model.predict(array(testdoc_vector))
请注意，Doc2Vec和推理在长度至少为数十个单词的文档上都能更好地工作(而不是像这里的测试那样的小的2字短语(，而且使用比默认值更大的可选epochs参数(尤其是在短文档上(也可能会使推理受益。
还要注意的是，你的测试文档应该像你的训练数据一样进行真正的预处理和标记化——因此，如果其他流程用于准备train_corpus，那么对训练后文档使用相同的流程。(Doc2Vec模型无法识别的单词，因为它们在训练过程中不存在，将被默默地忽略——因此，像在推理时进行不同风格的事例扁平化这样的错误会大大削弱结果。(