文本去重核心是语义向量映射与高效检索，关键在场景定义、高质量样本构造（含困难负样本）、对比学习建模及工程闭环（预处理一致、FAISS索引、动态阈值校准）。
用文本相似度模型做去重，核心不是“比对所有文本”，而是“让语义相近的文本映射到相近的向量”，再通过高效检索快速识别重复或高度近似内容。训练的关键在于：构造有区分度的样本、设计合理的损失函数、控制向量空间的几何结构。
一、明确去重场景，决定训练目标类型
去重不是单一任务——新闻标题去重、用户评论去重、长文档摘要去重，对“相似”的定义不同。训练前必须确定：
- 粒度要求：是判别完全重复（字面匹配）、改写重复（同义替换/语序调整），还是主题重复（跨表述但语义一致）？
- 召回优先 or 准确优先：社交平台防刷帖需高召回（宁可误杀，不可漏掉），法律文书去重则要高准确（避免误判关键差异）。
- 是否允许有监督：若有标注好的“相似/不相似”文本对，可用对比学习；若只有原始语料，需借助无监督句向量（如SimCSE自增强）或弱监督（利用URL聚类、发布时间邻近等信号构造伪标签）。
二、构建高质量训练样本对
模型学得准不准，70%取决于样本对怎么造。不能只靠随机采样：
- 正样本（相似对）：避免直接用复制粘贴文本——这会让模型只学字面匹配。应加入合理扰动：同义词替换（用jieba+同义词词林或WordNet）、主谓宾顺序微调、删减非关键修饰词（如“非常”“大概”）。目标是模拟真实改写行为。
- 负样本（不相似对）：不能全选语义距离极远的句子（如“苹果是水果” vs “量子力学简介”），模型容易“躺平”。应采用困难负样本挖掘（hard negative mining）：对一批句子先用初始模型编码，取余弦距离排名前10%但标签为“不相似”的样本参与训练。
- 平衡策略：正负比建议控制在1:3～1:5；每批中至少含2个困难负样本；可加入“边界样本”（人工判断模棱两可的对）提升鲁棒性。
三、选择与优化相似度建模方式
不推荐直接用BERT最后一层[CLS]向量做余弦相似度——它未针对相似度任务优化。更有效的是：
立即学习“Python免费学习笔记（深入）”；
-
对比学习框架（推荐）：用SimCSE或ConSERT，最小化同一文本不同增强版本的向量距离，最大化不同文本间的距离。PyTorch中可用SentenceTransformers库快速实现，loss选
MultipleNegativesRankingLoss效果稳定。 -
有监督微调：若标注充足，将文本对拼接后输入BERT，加一个二分类头（相似/不相似）。注意输入长度截断统一（如64或128），并用
torch.nn.MarginRankingLoss替代交叉熵，更贴合排序本质。 - 后处理不可少：训练完务必做向量归一化（L2 norm），否则余弦相似度失效；上线前在验证集上定阈值（如0.78），而非默认0.5——不同领域最优阈值差异很大。
四、工程落地中的关键细节
训练好模型只是开始，真正影响去重效果的是整个链路：
- 预处理一致性：训练时做了标点清洗、繁简转换、停用词过滤？线上推理必须严格复现，否则向量偏移。建议把清洗逻辑封装成独立模块，训练和部署共用同一函数。
- 索引加速必须上：全量计算余弦相似度是O(N²)，不可行。用FAISS或Annoy建立向量索引，设置nprobe=32、topk=100即可兼顾速度与召回。对千万级文本，单机FAISS查询延迟可压到20ms内。
- 动态更新机制：新文本入库时，不重新训练，而是增量插入FAISS索引；定期（如每天）用最新数据抽样评估阈值漂移，自动校准相似度阈值。
基本上就这些。训练本身不复杂，但容易忽略样本构造逻辑和线上一致性。真正健壮的去重系统，70%功夫在数据准备和工程闭环上，不是模型有多深。
