Doc2Vec模型cosine相似度与most_similar()返回匹配结果差异问题

核心根因：两类计算的对比基准完全不一致 #

你实现的两种方案本质计算的不是同一组匹配关系，存在根本性的逻辑偏差：

• 第一种方案：将791号文档的原始文本重新分词后，通过infer_vector()新生成一个推理向量，再用这个全新的向量和所有训练阶段存储的文档向量计算相似度
• 第二种方案：直接取训练阶段得到的791号文档原始嵌入向量，和其余训练完成的文档向量计算相似度
  两者的输入基准从根上就不相同，出现结果差异属于预期内的情况。

推理向量与原始嵌入向量差异大的具体原因 #

1. infer_vector参数不匹配 #

你当前调用infer_vector()时存在两处明显的参数问题：

• 你主动设置了negative=0，如果训练Doc2Vec模型时使用了负采样（默认配置negative=5），推理阶段参数和训练阶段不一致会直接导致生成的向量完全偏离预期
• 未设置epochs参数，infer_vector()默认迭代次数仅为5，远低于训练阶段通常使用的10~30轮迭代，迭代次数不足会导致推理过程收敛不充分，最终生成的向量波动极大，甚至出现分量正负号完全相反的情况

2. 预处理逻辑不一致 #

如果训练阶段对文本做过特殊处理（比如大小写转换、停用词过滤、特殊字符清洗、自定义分词规则等），但推理阶段直接用split()做简单分词，分词结果和训练时的输入存在差异，也会导致生成的推理向量和原始向量偏差较大。

3. Doc2Vec本身的推理特性 #

infer_vector()本质是基于训练好的词向量，通过小批量梯度下降拟合目标文本的文档向量，本身就存在一定的随机性，在训练数据量小、目标文本长度短的场景下，随机性会被进一步放大。

验证与修复方案 #

1. 对齐推理参数：调用infer_vector()时，保持epochs、negative等参数和训练阶段完全一致，建议将epochs设置为≥20，降低推理随机性
2. 验证内置方法正确性：直接调用self.word2vec_model.docvecs.most_similar(791)，用训练好的791号原始文档向量做匹配，该结果和你手动计算cosine相似度的结果应该完全一致，可排除内置方法的计算误差
3. 对齐预处理逻辑：保证推理阶段的文本清洗、分词规则和训练阶段完全相同

内容的提问来源于stack exchange，提问作者Jorge Guzman