doc2vecで作成したモデルのクラスタリング結果の出力について

Question

まず、下記のコードで学習モデルを作成しています

import zipfile
import os.path
import MeCab
from gensim import models
from gensim.models.doc2vec import TaggedDocument

#Mecabの初期化
mecab = MeCab.Tagger()
mecab.parse("")

#学習対象とする青空文庫の作品リスト
inBook_list = [
    {"auther":{
        "name":"夏目 漱石",
     "books":[
        {"name":"吾輩は猫である","zipname":"789_ruby_5639.zip"},
        {"name":"門","zipname":"785_ruby_1656.zip"},
        {"name":"こころ","zipname":"773_ruby_5968.zip"},
        {"name":"坊つちやん","zipname":"752_ruby_2438.zip"},
        {"name":"それから","zipname":"56143_ruby_50824.zip"}
    ]},
    {"auther":{
        "name":"江戸川 乱歩",
     "books":[
        {"name":"怪人二十面相","zipname":"57228_ruby_58697.zip"},
        {"name":"一寸法師","zipname":"58053_ruby_62788.zip"},
        {"name":"探偵少年","zipname":"56686_ruby_65429.zip"},
        {"name":"鉄人Ｑ","zipname":"57108_ruby_60855.zip"},
        {"name":"悪魔の紋章","zipname":"57240_ruby_60876.zip"}
    ]}
]

#作品リストを取得してループ処理に渡す
def book_list():
    for novelist in inBook_list:
        auther = novelist["auther"]
        for book in novelist["books"]:
            yield auther, book
        
#Zipファイルを開き、中の文書を取得する
def read_book(auther, book):
    zipname = book["zipname"]
    #Zipファイルを開く
    with zipfile.ZipFile(zipname,"r") as zf:
        #Zipファイルに含まれるファイルを開く。今回のZIPは一つのテキストファイルのみ含む。
        for filename in zf.namelist():
            with zf.open(filename,"r") as f:
                #今回読むファイルはShift-JISなので指定してデコードする
                return f.read().decode("shift-jis")

#引数のテキストを分かち書きして配列にする
def split_words(text):
（略）
    return wakati_words

#作品リストをTaggedDocument形式にし、配列に追加する
documents = []
#作品リストをループで回す
for auther, book in book_list():
    #作品の文字列を取得
    words = read_book(auther, book)
    #作品の文字列を分かち書きに
    wakati_words = split_words(words)
    #TaggedDocumentの作成　文書=分かち書きにした作品　タグ=作者:作品名
    document = TaggedDocument(
        wakati_words, [auther["name"] + ":" + book["name"]])
    documents.append(document)
    
#TaggedDocumentの配列を使ってDoc2Vecの学習モデルを作成 --- (*6)
model = models.Doc2Vec(
    documents, dm=1, vector_size=300, window=5, min_count=1)

#Doc2Vecの学習モデルを保存
model.save('test.model')

print("モデル作成完了")

次に、下記コードでクラスタリングを行っています

from gensim.models.doc2vec import Doc2Vec
from gensim.models.doc2vec import TaggedDocument
from gensim import models
from sklearn.cluster import KMeans
import sys
from collections import defaultdict
import numpy as np
import matplotlib.pyplot as plt

#K-means法によるクラスタリング

#保存したDoc2Vec学習モデルを読み込み
m = models.Doc2Vec.load('test.model')

#ベクトルをリストに格納
vectors_list=[m.docvecs[n] for n in range(len(m.docvecs))]

#ドキュメント番号のリスト
doc_nums=range(1,1+len(m.docvecs))

#クラスタリング設定
n_clusters = 3
kmeans_model = KMeans(n_clusters=n_clusters, verbose=1, random_state=1, n_jobs=-1)

#クラスタリング実行
kmeans_model.fit(vectors_list)

#クラスタリングデータにラベル付け
labels=kmeans_model.labels_

#ラベルとドキュメント番号の辞書づくり
cluster_to_docs = defaultdict(list)
for cluster_id, doc_num in zip(labels, doc_nums):
    cluster_to_docs[cluster_id].append(doc_num)

#クラスター出力
for docs in cluster_to_docs.values():
    print(docs)

すると、出力結果として下記が得られます。

[1, 2, 3, 4, 5, 7, 10]
[6]
[8, 9]

どうやらクラスタリング自体は出来ているように見えるのですが、このままだと何が何やらわかりません。
クラスタリング結果として作品名や著者名を出力する方法はありますか？

追記
修正依頼が来ていても何を求められているのか不明です。

Comments

[meg_]

質問のコードはご自身が作成されたものですか？

Answer 1

出力されている番号を要素番号として、モデル作成の過程でできた配列documentsから値を取得することで求める結果が得られました
◆修正前

#ラベルとドキュメント番号の辞書づくり
cluster_to_docs = defaultdict(list)
for cluster_id, doc_num in zip(labels, doc_nums):
    cluster_to_docs[cluster_id].append(doc_num)

◆修正後

#ラベルとドキュメント番号の辞書づくり
cluster_to_docs = defaultdict(list)
for cluster_id, doc_num in zip(labels, doc_nums):
    cluster_to_docs[cluster_id].append(documents[doc_num-1][1])