例如，我有一个段落，我想以二进制方式分类。但是因为输入必须有一个固定的长度，我需要确保每个段落都由一个统一的数量表示。
我所做的一件事是获取段落中的每个单词，使用 GloVe word2vec 对其进行向量化，然后将所有向量相加以创建一个“段落”向量，然后将其作为模型的输入输入。在这样做的过程中，我是否破坏了这些词可能具有的任何意义？
考虑到这两个句子将具有相同的向量：
我的狗咬了戴夫
戴夫咬了我的狗
我该如何解决这个问题？我接近这个错误吗？
还有什么其他方法可以训练我的模型？如果我把每个单词都输入到我的模型中，我怎么知道我应该输入多少单词？我如何输入这些单词？以二维数组的形式，其中每个词向量是一列？
我希望能够训练一个可以准确分类文本的模型。令人惊讶的是，仅通过使用这种总结方法，对于像 RandomForestClassifier 这样相对简单的模型，我得到了很高的（> 90％）。有什么见解吗？
总结一个词向量序列有时可能在实践中使用。但是，加法运算是不可逆的，这意味着一旦将几个数字相加，就无法恢复原始数字。但是，根据您的任务，总结一系列词向量可能会起作用。您还应该标准化这些值，或者只使用平均值。
详情：https ://towardsdatascience.com/document-embedding-techniques-fed3e7a6a25d#ecd3
要提供不同长度的数据，您还可以尝试填充和修剪它。为段落长度设置一个常量 L 并将所有单词向量列表修剪/填充到该长度。填充将 0 个向量添加到列表的开头并修剪修剪文本的第一部分，直到它等于 L。即使在 LSTM 网络中，填充和修剪仍然被使用，即使您可以将尽可能长的文本提供给 LSTM如您所愿，您仍然必须批量处理词向量，这要求它们的长度相同。
python中关于填充/修剪向量的示例代码：
def pad_trim(list_vec, L):
//list vec: {vec1,vec2,vec3......}
//Assuming vecN have a size of 200
return list_vec[-L:0] if len(list_vec) > L else [[0] * 200] * (L-len(list_vec)) + list_vec
然而在推理中，如果你使用基于 RNN 的方法，你可以忽略最大长度，尽管由于网络没有接受超过 L 的长度训练，它的性能可能更好或更差。
一般来说，如果可能，您应该进行连接，这样您就可以将所有信息保留在句子中。但是，根据您的任务，两者都可以正常工作。
对于基于 RNN 和基于 CNN 的模型示例，您应该查看： https ://medium.com/jatana/report-on-text-classification-using-cnn-rnn-han-f0e887214d5f
但是因为输入必须有一个固定的长度
他们有吗？为什么？首选策略是使用 RNN（可能使用 LSTM 或 GRU，但可能没有必要）并训练它按顺序处理输入并输出段落的最终分类。这样做的好处是能够考虑词序和星座，以及处理可变大小的输入。
直觉上，我认为简单地添加词向量将包含来自常见词的大量噪声，这些词不能从分类中提供太多有意义的信息。我会考虑贝叶斯方法或降维方法来将输入限制为更有用的输入向量。