Representação vetorial de textos: DOC2VEC

Abstract

O objetivo principal deste trabalho é apresentar o algoritmo não supervisionado para representação vetorial de documentos, Doc2vec, o qual consiste em associar cada texto a um vetor numérico considerando seu contexto no corpus. Doc2Vec ´e uma extensão do algoritmo Word2Vec, o qual também será apresentado neste trabalho. Através de Doc2vec veremos a importância de considerar a relação semântica entre as palavras com seu contexto. Finalmente, compararemos o desempenho de classificadores usando representações vetoriais Doc2Vec com uma representação numérica que não considera a relação entre as palavras com seu contexto, Bag of Word (BOW). Veremos que com a representação de Doc2Vec todos os classificadores apresentaram um melhor desempenho computacional.