我正在使用 Gensim 的 Doc2vec 来训练一个模型，我使用 infer_vector 来推断一个新文档的向量来比较模型的相似度文档。但是，重复使用同一个文档可能会产生非常不同的结果。这样就无法准确评估类似的文档。
搜索网络提到infer_vector具有随机特性，所以每次产生一个新的文本向量都会不同。
有什么办法可以解决这个问题吗？
model_dm =pickle.load(model_pickle)
inferred_vector_dm = model_dm.infer_vector(i)
simsinput =model_dm.docvecs.most_similar([inferred_vector_dm],topn=10)
【问题讨论】：
标签： python-3.x nlp gensim similarity doc2vec
如果您向infer_vector() 提供一个大于默认值的可选epochs 参数，则生成的向量（从运行到运行单个文本）应该变得更加相似。 （这可能对小文本特别有用。）
也就是说，运行之间应该只有很小的“抖动”，这不会对您以后的比较产生太大影响。 （你的下游比较应该容忍小的变化。）像这样使用随机化的算法，没有绝对“正确”的结果，只有有用的结果。
如果运行之间的差异仍然很大——例如在运行之间显着更改most_similar() 结果，那么您的模型或设置可能存在其他问题：
Doc2Vec 在玩具大小的训练集上效果不佳 - 已发布的作品使用的文档集包含数千到数百万个文档，其中每个文档包含数十到数千个单词。如果你只使用几个短句，你不会得到好的结果。
infer_vector() 需要获取字符串令牌列表，不是字符串。而且，这些令牌应该已经以与训练数据相同的方式进行了预处理。任何输入到infer_vector() 的未知单词都将被忽略，使输入更短（或零长度），使结果更加（或完全）随机。
另外，gensim 的 Doc2Vec 具有原生的 .save() 和 .load() 方法，应该使用它们而不是原始的 pickle - 特别是在较大的模型上，它们会更有效地或没有错误地做事。 （虽然注意：他们可能会创建多个保存文件，这些文件应该放在一起，以便加载主文件可以找到附属文件。）
【讨论】：
根据documentation，您需要增加 epochs/steps 的数量（基于您使用的版本）以获得更多的向量稳定性。如果未指定，则模型初始化的 epochs 值将被重用。
因此，尝试使用更高的 epochs/steps 值来获得相似的向量，同时您必须权衡计算时间似乎
infer_vector(doc_words, alpha=None, min_alpha=None, epochs=None, steps=None)
【讨论】：