我正在測試用相同的整體詞匯量喂養 gensim 的 Word2Vec 不同句子，看看是否有些句子比其他句子攜帶“更好”的信息。我訓練 Word2Vec 的方法是這樣的def encode_sentences(self, w2v_params, sentences):    model = Word2Vec(sentences, **w2v_params)        idx_order = torch.tensor([int(i) for i in model.wv.index2entity], dtype=torch.long)    X = torch.zeros((idx_order.max()+1, w2v_params['size']), dtype=torch.float)        # Put embeddings back in order    X[idx_order] = torch.tensor(model.wv.vectors)        return X, y我在這里希望的是，每次運行 w2v 時，它都會從一個新模型開始并從頭開始訓練。但是，我正在測試 3 種句子，所以我的測試代碼如下所示：def test(sentence):    w2v = {'size': 128, 'sg': 1}    X = encode_sentences(w2v, sentence)    evaluate(X) # Basic cluster analysis stuff here# s1, s2 and s3 are the 3 sets of sentences with the same vocabulary in different order/frequency[print(test(s) for s in [s1, s2, s3]]但是，我注意到如果我刪除其中一個測試集，并且只測試s1和s2（或三者中的兩組的任意組合），則聚類的整體質量會下降。如果我在調用之前返回encode_sentences并添加，整體集群質量也會下降，但無論測試多少數據集都保持一致。del modelreturn是什么賦予了？構造函數實際上不是每次都使用新權重構建新模型嗎？文檔和源代碼沒有說明這一點。我很確定這不是我的評估方法，因為del model添加后一切都已修復。我在這里不知所措......這些運行實際上是獨立的，還是每次調用都Word2Vec(foo, ...)相當于用新數據重新訓練以前的模型foo？在你問之前，nomodel不在變量范圍之外encode_sentence；那是整個程序中唯一一次使用變量名。很奇怪。