如何解决Gensim Doc2vec多次运行结果不一致的问题？

一、先解决训练无效的警告问题 #

你设置了negative=0，而Gensim中hs参数默认是0，这会导致模型没有训练信号，所以触发警告。解决方法二选一：

• 设置negative为正整数（通常取5-20，比如negative=5），启用负采样训练模式；
• 设置hs=1，启用层次softmax训练模式。

修改后的模型初始化代码示例：

model = gensim.models.doc2vec.Doc2Vec(
    vector_size=50, 
    dm=1, 
    window=5, 
    min_count=2, 
    epochs=100, 
    negative=5,  # 替换为正整数
    workers=5,
    seed=42  # 提前加入随机种子，为后续结果复现做准备
)

二、解决结果不一致的问题 #

1. 固定所有随机种子 #

Doc2vec的随机初始化、多线程训练都会引入随机性，要完全复现结果，需要固定Python、NumPy和Gensim的随机种子：

import random
import numpy as np

# 固定全局随机种子
random.seed(42)
np.random.seed(42)

# 初始化模型时指定seed参数
model = gensim.models.doc2vec.Doc2Vec(
    vector_size=50, 
    dm=1, 
    window=5, 
    min_count=2, 
    epochs=100, 
    negative=5, 
    workers=5,
    seed=42
)

注意：如果workers>1，部分版本的Gensim可能因多线程机制仍有微小差异，若要绝对一致，可暂时将workers=1，以少量速度牺牲换取完全复现。

2. 让infer_vector结果稳定 #

infer_vector默认会随机初始化临时向量，导致相同文档每次推断结果不同。解决方法：

• 增加推断的迭代次数（建议和训练时的epochs一致）；
• 固定推断时的随机种子；
• 多次推断后取平均值进一步稳定结果。

示例代码：

# 单次推断（固定种子）
vec = model.infer_vector(doc_words, epochs=100, seed=42)

# 多次推断取平均
def stable_infer_vector(model, doc_words, n_times=5):
    vecs = [model.infer_vector(doc_words, epochs=100, seed=42+i) for i in range(n_times)]
    return np.mean(vecs, axis=0)

3. 小数据集适配优化 #

小数据集本身会放大Doc2vec的随机性，可调整参数降低波动：

• 减小vector_size（比如从50降到20-30），避免向量维度过高导致过拟合；
• 适当提高min_count，过滤低频噪声词；
• 增加epochs（比如到200），让模型充分学习有限的数据。

三、替代方案（若Doc2vec仍不稳定） #

如果小数据下Doc2vec的稳定性无法满足需求，可考虑以下更简单稳定的方案：

• TF-IDF + 余弦相似度：无需训练，基于词频统计生成文档向量，结果完全可复现，适合小数据集的文本相似度场景；
• 预训练词向量的文档平均：用公开的预训练Word2Vec/GloVe词向量，将文档中所有词的向量取平均（或加权平均）作为文档向量，无需自行训练，结果稳定；
• Sentence-BERT：小数据表现更优，可固定种子保证结果一致，不过需要额外依赖库支持。

内容的提问来源于stack exchange，提问作者Nguyễn Thanh Huyền