我有大约 20k 个 60 - 150 字的文档。在这 20K 个文档中，有 400 个文档已知类似文档。这 400 个文档作为我的测试数据。
目前我正在删除这 400 个文档并使用剩余的 19600 个文档来训练 doc2vec。然后我提取训练和测试数据的向量。现在对于每个测试数据文档，我发现它与所有 19600 个火车文档的余弦距离，并选择余弦距离最小的前 5 个。如果标记的类似文件出现在前 5 个中，则认为它是准确的。准确率% = 准确记录数/记录总数。
我找到类似文档的另一种方法是使用 doc2Vec 最相似的方法。然后使用上面的公式计算精度。
以上两个精度不匹配。每个时期一个增加另一个减少。
我正在使用这里给出的代码：https ://medium.com/scaleabout/a-gentle-introduction-to-doc2vec-db3e8c0cce5e 。用于训练 Doc2Vec。
我想知道如何调整超参数，以便通过使用上述公式获得准确性。我应该使用余弦距离来查找最相似的文档还是应该使用 gensim 的最相似函数？
您引用的文章对该Doc2Vec算法进行了合理的阐述，但其示例代码包含一个非常有害的反模式：train()在循环中多次调用，同时手动管理alpha. 这几乎不是一个好主意，而且很容易出错。
相反，不要更改默认值，只需使用所需的min_alpha调用一次，并让方法顺利管理自身。train()epochsalpha
您的一般方法是合理的：根据一些先前的想法开发一种可重复的模型评分方法，然后尝试各种模型参数并选择得分最高的参数。
当您说您自己的两种准确度计算方法不匹配时，这有点令人担忧，因为该most_similar()方法实际上会根据所有已知的文档向量检查您的查询点，并返回具有最大余弦相似度的那些。这些应该与您计算出的具有最小余弦距离的那些相同。如果您在问题中添加了您的确切代码——如何计算余弦距离，以及如何调用most_similar()——那么很可能会清楚哪些细微的差异或错误是导致差异的原因。（不应该有任何本质上的区别，但考虑到：你可能想要使用most_similar()结果，因为它们被称为非错误，
请注意，您不必保留一组已知高度相似的文档对。由于Doc2Vec是一种无监督算法，因此您不会在训练期间为其提供首选的“确保这些文档相似”的结果。在全套文档上进行训练是相当合理的，然后选择最能捕捉您想要的最相似关系的模型，并相信包含更多文档实际上可以帮助您找到最佳参数。
（但是，这样的过程可能会稍微高估未来未见文档或其他一些假设的“其他 20K”训练文档的预期准确性。但根据您的训练数据，它仍然可以合理地找到“可能的最佳”元参数。）
（如果您在训练期间没有将它们全部喂完，那么在测试期间您将需要使用infer_vector()看不见的文档，而不仅仅是从训练中查找学习到的向量。您还没有显示用于此类评分/推理的代码, 但这是另一个可能做错的步骤。如果您只是将所有可用文档的向量一起训练，则消除了出错的可能性。）
检查所需文档是否在最相似的前 5（或前 N）中只是对模型进行评分的一种方法。另一种方法是在一些原始的“段落向量”（Doc2Vec）论文中使用，对于每一对这样的对，还选择另一个随机文档。每次报告已知相似文档比第三个随机选择的文档彼此更接近时，都将模型计算为准确。在最初的“段落向量”论文中，现有的搜索排名系统（它报告某些文本片段以响应相同的探测查询）或手工策划的类别（如在 Wikipedia 或 Arxiv 中）被用来生成这样的评估对：检查相同的搜索结果页面或相同的类别，以查看它们在模型中是否比其他随机文档“更接近”。
如果您的问题被扩展为更多地描述您尝试过的一些初始参数（例如您提供给Doc2Vec和的完整参数train()），以及似乎有帮助或有伤害的内容，则可能会建议其他范围值得检查的参数。