Gensim Doc2Vec异常：完全相同文档生成不同向量求助

我来帮你揪出这个问题的根源——完全相同的文档输出向量不一致，大概率是因为你用了不合适的向量保存/获取方式，或者忽略了Doc2Vec里的随机性细节。下面一步步给你分析和解决：

1. 别用save_word2vec_format保存Doc2Vec文档向量 #

save_word2vec_format本质是为Word2Vec的词向量设计的格式，虽然它支持保存文档标签向量，但会丢失Doc2Vec模型的核心信息（比如词汇表、训练参数、内部状态等）。用它保存后，不仅后续加载麻烦，还可能导致向量读取异常。

正确的做法是用模型自带的save()方法保存完整模型：

# 替换你代码里的save_word2vec_format这一行
model.save(outputName)

后续加载模型并获取训练过的文档向量时：

loaded_model = models.doc2vec.Doc2Vec.load(outputName)
# Gensim 4.x用dv属性，Gensim 3.x用docvecs属性
doc_vector = loaded_model.dv["你的文档标签（比如文件名）"]

2. 推断向量时的随机性是常见坑 #

如果你的场景是对未见过的相同文档调用infer_vector生成向量，默认情况下这个过程是带随机性的——比如随机初始化向量、负采样的随机选择，导致相同文档每次推断出的向量不一样。

解决方法很简单：固定随机种子：

# 给infer_vector设置seed参数，确保每次结果一致
vec1 = model.infer_vector(your_words_list, seed=42)
vec2 = model.infer_vector(your_words_list, seed=42)
# 此时vec1和vec2会完全相同

另外，你还可以增加steps参数（默认是5），让推断过程更稳定：

vec = model.infer_vector(your_words_list, steps=20, seed=42)

3. 检查你的getWords函数是否有随机性 #

如果getWords在处理同一个文件时，返回的词序列是随机的（比如打乱了词序），那生成的TaggedDocument就会不一样，训练出的向量自然也会有差异。一定要确保getWords对相同文件返回完全一致的词列表。

修正后的完整代码示例 #

我把你的代码调整成更规范的版本，加入了固定随机种子、正确保存模型的逻辑：

import glob
import os
import multiprocessing
from gensim import models
from gensim.models.doc2vec import TaggedDocument

def getDocs(corpusPath):
    """Function for processings documents as TaggedDocument"""
    # 把生成器转成列表，避免重复遍历文件（生成器只能遍历一次）
    docs = []
    for file in glob.glob(os.path.join(corpusPath, '*.csv')):
        docs.append(TaggedDocument(words=getWords(file), tags=[os.path.basename(file)]))
    return docs

def getModel(corpusPath, outputName):
    # Get documents words from path
    documents = getDocs(corpusPath)
    cores = multiprocessing.cpu_count()
    # Initialize the model，固定seed确保训练可复现
    model = models.doc2vec.Doc2Vec(
        vector_size=100, 
        epochs=10, 
        min_count=1, 
        max_vocab_size=None, 
        alpha=0.025, 
        min_alpha=0.01, 
        workers=cores,
        seed=42
    )
    # Build Vocabulary
    model.build_vocab(documents)
    # Train the model
    model.train(documents, total_examples=model.corpus_count, epochs=model.epochs)
    # 保存完整模型
    model.save(outputName)

这样调整后，无论是训练过的文档向量，还是对相同新文档的推断向量，都能保持一致性了。

内容的提问来源于stack exchange，提问作者Mikel Laburu