这是因为在计算余弦相似度时使用的文本向量化方法不够准确所致。可以尝试优化文本向量化的方法，如使用TF-IDF技术或使用更先进的词向量模型。具体实现方法可以参考以下示例代码：

from sklearn.feature_extraction.text import TfidfVectorizer import numpy as np

建立一个TfidfVectorizer模型

vectorizer = TfidfVectorizer()

传入两个相同的文本串

text1 = 'This is a text string' text2 = 'This is a text string'

将文本串传入TfidfVectorizer模型进行向量化

tfidf = vectorizer.fit_transform([text1, text2])

计算余弦相似度

cosine_similarity = np.dot(tfidf[0].toarray(), tfidf[1].toarray().T) / (np.linalg.norm(tfidf[0].toarray()) * np.linalg.norm(tfidf[1].toarray()))

print(cosine_similarity)

输出为1.0，表示获得了相同的文本串的余弦相似度为1的值。