此处省略开头，回归核心。。。
尽管word2vec提供了高质量的词汇向量，仍然没有有效的方法将它们结合成一个高质量的文档向量。在本篇文章中，受一个随机过程问题（中餐馆订餐过程CRP）的启发，我们讨论了一种可能的探索。基本思路是，使用CRP来驱动聚类过程，并将各种词向量在合适的聚类中合在一起。
假设我们有一个关于鸡肉订单（chicken recipe）的文档。它包含了下面的词汇：”chicken”, “pepper”,“salt”, “cheese”. 它也包含了其它的词汇：“use”, “buy”, “definitely”, “my”, “the”。 word2vec的模型将为每个单词生成一个vector。简单的，我们可以将所有词向量(word vector)合成一个文档向量（doc vector）。这将引入许多噪声。一种降噪方法是使用加权的合并，基于相应的算法，比如：IDF 或者 POS tag.
那么问题来了：当添加词汇时，是否可以更有选择性？回到鸡肉订单文档上，它不应该考虑以下的词汇：“definitely”, “use”, “my” 。基于权重的idf可以有效地减少一些停留词（”the”、”is”等等）的噪声问题。然而，对于这样的词汇：“definitely”， “overwhelming”，那么idf值将不会如你所愿那样的小。
如果我们首先将词汇聚类，像这样的词“chicken”, “pepper”将聚集到同一个类中，而像其它的词类似“junk”则希望聚到另一个类中。如果我们能区别相关的类，那么我们可以将相关类的词相量（word vector）合并，我们就可以得到一个很好的文档（doc vector）.
当然，我们可以使用通用的算法：K-means，但是大多数这些算法都需要一个距离公式。word2vec可以通过余弦相似度（cosine）很方便地进行相似判断，不一定需要采用欧氏距离。
如果我们使用余弦相似度，我们可以很快进行聚类词汇。
回到中餐馆问题，假设你来到一个中餐馆，发现已经有n张桌子，每张桌子有不同的人。另外还有一张空桌子。CRP有一个超参数 r > 0，它表示这张空桌子上可能的人数。你到了（n+1）的桌子中其中之一，桌子上存在不同数目的人（对于空桌子，数目为r）。当你到达其中的一张桌子时，那么整个过程完成。如果你决定坐在空桌子上，餐厅会自动创建一张空桌子。在这个例子中，如果下一个顾客到来时，他会在(n+2)张桌子上做选择（包括新的空桌子）
受CRP的启发，我们尝试了在CRP中，包含相似因子的的以下变量。过程大致相同：我们给定聚类的M个向量。我们去维护两个东西：聚类和（cluster sum，没有中心），聚类中的各个向量（vector）。通过各向量进行迭代。对于当前的向量V，假设我们已经有了n个聚类。现在我们去找到聚类C，它的聚类和与当前的向量相似。我们将这个分数称为 sim(V,C).
- 变量1: v 创建了一个新的聚类，它的概率为1/(1+n). 否则v就到聚类C中。
- 变量2:如果sim(V,C) > 1/(1+n)，则归到聚类C中。否则概率为1/(1+n)，它将创建一个新的聚类，概率为n/(1+n)，它将归到C。
在任意两个变量中，如果v归到一个聚类中，我们将更新聚类和，及相应的关系。
对于传统CRP，有一个明显的区别是：如果我们不到空桌子上，我们将决定去往“最相似”的桌子上。
实际上，我们将找到这些创建相似结果的变量。有个不同是，变量1趋向于更多但是单个量级更小的聚类；变量2趋向于少量，但是单个量级更大的聚类。变量2的例子如下所示：
对于chick recipe document，聚类如下：
- ‘cayenne’, ‘taste’, ‘rating’, ‘blue’, ‘cheese’, ‘raved’, ‘recipe’, ‘powdered’, ‘recipe’, ‘dressing’, ‘blue’, ‘spicier’, ‘spoon’, ‘cup’, ‘cheese’, ‘cheese’, ‘blue’, ‘blue’, ‘dip’, ‘bake’, ‘cheese’, ‘dip’, ‘cup’, ‘blue’, ‘adding’, ‘mix’, ‘crumbled’, ‘pepper’, ‘oven’, ‘temper’, ‘cream’, ‘bleu’, ……
- ‘the’, ‘a’, ‘that’, ‘in’, ‘a’, ‘use’, ‘this’, ‘if’, ‘scant’, ‘print’, ‘was’, ‘leftovers’, ‘bring’, ‘a’, ‘next’, ‘leftovers’, ‘with’, ‘people’, ‘the’, ‘made’, ‘to’, ‘the’, ‘by’, ‘because’, ‘before’, ‘the’, ‘has’, ‘as’, ‘amount’, ‘is’, ……
- ‘stars’, ‘big’, ‘super’, ‘page’, ‘oct’, ‘see’, ‘jack’, ‘photos’, ‘extras’, ‘see’, ‘video’, ‘one’, ‘page’, ‘f’, ‘jun’, ‘stars’, ‘night’, ‘jul’, ……
很明显地，第一个聚类最相关。接着，我们获取聚类和向量。下面是python代码，word vector通过c版本将 英文Wiki语料训练得到，它将使用gensim.model.word2vec的python库获取模型文件。 c[0]表示聚类0:
>>> similar(c[0], model[“chicken”])
0.95703287846549179
>>> similar(c[0], model[“recipe”] + model[“chicken”])
0.95602993446153006
>>> similar(c[0], model[“recipe”] + model[“fish”])
0.7678791380788017
>>> similar(c[0], model[“computer”])
0.0069432409372725294
>>> similar(c[0], model[“scala”])
0.061027248018988116看上去语义信息保存完好。我们使用doc向量是可信服的。 菜单文档看起来很简单。我们可以尝试更多的挑战，比如一篇新闻文章。新闻本身是叙事型的，包含很少的“主题词”。我们尝试在这篇文章标题为：“Signals on Radar Puzzle Officials in Hunt for Malaysian Jet”的文章进行聚类。我们可以得到4个聚类：
- ‘have’, ‘when’, ‘time’, ‘at’, ‘when’, ‘part’, ‘from’, ‘from’, ‘in’, ‘show’, ‘may’, ‘or’, ‘now’, ‘on’, ‘in’, ‘back’, ‘be’, ‘turned’, ‘for’, ‘on’, ‘location’, ‘mainly’, ‘which’, ‘to’,, ‘also’, ‘from’, ‘including’, ‘as’, ‘to’, ‘had’, ‘was’ ……
- ‘radar’, ‘northwest’, ‘radar’, ‘sends’, ‘signal’, ‘signals’, ‘aircraft’, ‘data’, ‘plane’, ‘search’, ‘radar’, ‘saturated’, ‘handles’, ‘search’, ‘controlled’, ‘detection’, ‘data’, ‘nautical’, ‘patrol’, ‘detection’, ‘detected’, ‘floating’, ‘blips’, ‘plane’, ‘objects’, ‘jets’, ‘kinds’, ‘signals’, ‘air’, ‘plane’, ‘aircraft’, ‘radar’, ‘passengers’, ‘signal’, ‘plane’, ‘unidentified’, ‘aviation’, ‘pilots’, ‘ships’, ‘signals’, ‘satellite’, ‘radar’, ‘blip’, ‘signals’, ‘radar’, ‘signals’ ……
- ‘of’, ‘the’, ‘of’, ‘of’, ‘of’, ‘the’, ‘a’, ‘the’, ‘senior’, ‘the’, ‘the’, ‘the’, ‘the’, ‘the’, ‘the’, ‘a’, ‘the’, ‘the’, ‘the’, ‘the’, ‘the’, ‘of’, ‘the’, ‘of’, ‘a’, ‘the’, ‘the’, ‘the’, ‘the’, ‘the’, ‘the’, ‘its’, ……
- ‘we’, ‘authorities’, ‘prompted’, ‘reason’, ‘local’, ‘local’, ‘increasing’, ‘military’, ‘inaccurate’, ‘military’, ‘identifying’, ‘force’, ‘mistaken’, ‘expanded’, ‘significance’, ‘military’, ‘vastly’, ‘significance’, ‘force’, ‘surfaced’, ‘military’, ‘quoted’, ‘showed’, ‘military’, ‘fueled’, ‘repeatedly’, ‘acknowledged’, ‘declined’, ‘authorities’, ‘emerged’, ‘heavily’, ‘statements’, ‘announced’, ‘authorities’, ‘chief’, ‘stopped’, ‘expanding’, ‘failing’, ‘expanded’, ‘progress’, ‘recent’, ……
看起来挺不错的。注意，这是个 输入为1的聚类过程，并且我们不必去指定聚类数目。这对于对延迟很敏感的服务来说很有帮助。
缺失了一环：如何找出相关的聚类？我们在这部分不必做扩展实验。可以考虑：
- idf权值
- POS tag。我们不必在文档中标记每个词。根据经验，word2vec趋向于在语法构成上聚在一起。我们对每个簇都抽取出一些tag。
- 计算聚类和总向量，与标题向量
当然，还有其它问题需要考虑：
- 1) 如何合并簇？基于向量间的相似度？或者簇成员间的平均相似度
- 2)词的最小集合，可以重构簇和向量？可以使用关键词抽取方法。
结构：google的word2vec提供了强大的词向量。我们可以以有效的方式，来使用这些vector来生成高质量的文档向量。我们尝试了一个基于CRP变种的策略，并取得了结果。当然，还有很多问题需要研究，BalabalaBala…
代码如下：
# vecs: an array of real vectors
def crp(vecs):
clusterVec = [] # tracks sum of vectors in a cluster
clusterIdx = [] # array of index arrays. e.g. [[1, 3, 5], [2, 4, 6]]
ncluster = 0
# probablity to create a new table if new customer
# is not strongly "similar" to any existing table
pnew = 1.0/ (1 + ncluster)
N = len(vecs)
rands = random.rand(N) # N rand variables sampled from U(0, 1)
for i in range(N):
maxSim = -Inf
maxIdx = 0
v = vecs[i]
for j in range(ncluster):
sim = cosine_similarity(v, clusterVec[j])
if sim < maxSim:
maxIdx = j
maxSim = sim
if maxSim < pnew:
if rands(i) < pnew:
clusterVec[ncluster] = v
clusterIdx[ncluster] = [i]
ncluster += 1
pnew = 1.0 / (1 + ncluster)
continue
clusterVec[maxIdx] = clusterVec[maxIdx] + v
clusterIdx[maxIdx].append(i)
return clusterIdx本文译自：http://eng.kifi.com/from-word2vec-to-doc2vec-an-approach-driven-by-chinese-restaurant-process/