两个相同句子的余弦相似度为0.7。我的doc2vec模型是否正确？我正在使用kaggle中提供的quora问题对数据集。在下面的代码中，train1是第一个问题的列表，train2是第二个问题的列表。
object答案 0 :(得分：0)
看起来您可能正在使用gensim Doc2Vec，但开箱即用，它不支持pretrained_emb参数，并且使用预训练的字嵌入并非必然对大多数应用程序有益，特别是如果您有足够的培训文档。此外，您通常无法使用来自其他地方的100维单词向量来帮助种植300维Doc2Vec模型。 （我很惊讶你使用的任何代码都不会因为这种不匹配而产生错误。）
使用此算法的典型已发表作品（＆＃39; Paragraph Vector＆＃39;）使用了10次，20次或更多次培训，但是（再次假设您正在使用gensim）您已将其留在默认值为5。
将min_count降低到非默认值1通常会使结果变得更糟，因为具有如此少发生的单词仅用作噪声，使得其他文档/单词的学习向量不那么一致。
你比较哪两个句子，以及如何？
由于算法本身使用随机初始化，然后在训练期间采用几种形式的随机抽样，然后多线程训练增加了一些文本处理顺序的额外随机化，在精确运行Doc2Vec相同的语料库反复赢得通常获得相同的结果。
在训练集中出现两次相同的文本，使用不同的tags，但必须获得相同的向量 - 尽管它们应该相似。 （他们通常应该通过更多的培训通道变得更相似，但是较小的文档可能会显示更多的文本到文本或运行到运行的差异，因为较少的目标词可以通过模型进行调整更少（对于相同的文本重复推断向量，模型后训练也会出现同样的情况......虽然调整infer_vector()或steps的{{1}}值可能会使结果更多从一次到另一次运行稳定。）