Word2Vec 有许多实现，但大多数都假设基本单元是“句子”——尽管他们并不关心这些句子的样子。如果您使用类似的东西，gensim您将需要每个句子在其自己的列表中，并且每个句子将是一个标记列表。如果您正在使用另一个包，您可能正在从磁盘读取，在这种情况下，您可能需要将所有文档与代表一个新句子的每个换行符连接起来。

决定“句子”大小（无论是整个笔记、所有患者的笔记还是单个句子）的基本考虑是应该使用哪些周围的词来训练模型。W2V 模型在调整其向量表示时会考虑目标单词一定距离内的所有单词（无论它是cbow还是skipgram），但不会超出“句子”边界。因此，如果您的基本单位是文档而不是句子，则关联会在句子之间渗透（这可能是您想要的，也可能不是您想要的）。

顺便说一句，首先考虑文档的性质。患者笔记可能很杂乱，并且充满了自动生成的文本，因此删除或替换某些字符串可能很重要。同样，他们经常使用空格和换行符而不是标点符号。您可能需要考虑将现有空格视为句子的结尾，并且您可能希望使用解析器将日期、名称等替换为默认标记以增加通用性。

不需要串联。可以相应地更改迭代器类，以便模型可以迭代单个文件夹中的所有文档。

import os

class WordTrainer(object):
   def __init__(self, dir_name):
      self.dir_name = dir_name
   def __iter__(self):
      for idx,file_name in enumerate(os.listdir(self.dir_name)):
        for idxx,line in enumerate(open(os.path.join(self.dir_name, file_name),'r'):
            words = [word.lower() for word in line.split()]
            yield words

 patient_details = WordTrainer('/path/for/records/folder')
 word_vector_model = gensim.models.Word2Vec(patient_details, size=100, window=8, min_count=5)

迭代器逐行提供文件中的每个数据，而不是将整个文档加载到模型中。当您只有很少的文档可以放入您的内存时，这不是一种内存效率高的方法。

我建议尝试doc2vec而不是 word2vec。doc2vec不仅为您提供 by 给出的词嵌入，word2vec而且还为您提供文档嵌入。使用文档嵌入，您还可以执行诸如“哪些患者有相似笔记”之类的操作。

不用说，doc2vec您可以一次输入一份文件。