我有几千个文档想在gensim doc2vec模型中使用，但每个文档只有5个图表，而不是原始单词顺序的全文。在gensim网站上的doc2vec教程中(https://radimrehurek.com/gensim/auto_examples/tutorials/run_doc2vec_lee.html)，用全文创建语料库，然后在该语料库上训练模型。它看起来像这样：
[TaggedDocument(words=['hundreds', 'of', 'people', 'have', 'been', 'forced', 'to', 'vacate', 'their', 'homes', 'in', 'the', 'southern',...], tags=[1]), TaggedDocument(words=[.....], tags=[2]),...]
是否可以创建一个训练语料库，其中每个文档由5个图表的列表组成，而不是按原始顺序的单词列表？
如果你拥有文档中的"所有"5克——甚至可能仍然按照它们出现的顺序——那么应该可以将原始文档(或几乎等效的伪文档(缝合在一起，就像5克是拼图或多米诺骨牌一样。
(例如，通过它在数据中的顺序位置，或者通过找到一个4-前缀标记不是任何其他5-克的4-前缀标记的5-克，找到第一个5-克。然后，通过将其4-前缀标记与另一个候选5-克的4前缀标记相匹配来找到它的后继。如果在任何时候你有多个候选"开始"或"继续"，你可以尝试任何一个&一直持续到你u要么完成要么到达死胡同–depth-1st搜索一致链–&如果是死路一条，那么备份&再试试。不过，你也可以选择另一个好的开始5克，&继续，冒着文档排序有点错误的风险&重复几个记号。在大型语料库中，一堆这样的错误不会对最终结果产生太大影响。(
或者，"PV-DBOW"模式(dm=0(不使用上下文窗口或相邻单词，因此获得确切的原始单词顺序并不重要，只需在文档中以任何顺序使用正确的单词即可。因此，只需将所有5个单词串联起来，就可以创建一个合理的伪文档——尤其是如果你丢弃了任何单词的4/5(以解释原始文档中的任何一个单词，除了最开始或结尾，都以5个5个单词的形式出现(。