我在大约750k个单词的文本上运行了word2vec算法（在删除一些停用词之前）。使用我的模型，我开始查看与选择的特定单词最相似的单词，相似度得分（针对model.wv.most_similar方法）都非常接近1。第十个最接近的得分仍然是.998，所以我觉得我在单词相似度之间并没有什么明显的区别，这导致了毫无意义的相似单词。
我的模型构造函数是
model = Word2Vec(all_words, size=75, min_count=30, window=10, sg=1)
我认为问题可能在于如何构造文本以运行神经网络。我像这样存储所有单词：
all_sentences = nltk.sent_tokenize(v)
all_words = [nltk.word_tokenize(sent) for sent in all_sentences]
all_words = [[word for word in all_words[0] if word not in nltk.stopwords('English')]]
...... v是在txt文件上调用read（）的结果。
您是否在将all_words传递给Word2Vec之前查看过它，以确保它包含所需的主体大小和种类？ （最后一个停用词剥离步骤似乎只能在第一个句子all_words[0]上执行。）
此外，您是否启用了INFO级别的日志记录功能，并在输出中查看了模型最终词汇量和培训进度的指标，以检查这些值是否符合预期？
请注意，对于word2vec培训来说，删除停用词并非绝对必要。它们的存在并不会带来多大伤害，并且由sample参数控制的默认频繁单词下采样已经可以经常忽略非常频繁的单词，例如停用词。
（此外，min_count=30对于较小的语料库来说也相当激进。）>>
根据我的知识，我建议以下内容：