要保存和重用基于Doc2Vec的模型进行进一步预测，可以使用Python的gensim库。以下是一个简单的示例代码：

from gensim.models import Doc2Vec
from gensim.models.doc2vec import TaggedDocument

# 创建训练数据
train_data = [
    TaggedDocument(words=['hello', 'world'], tags=['doc1']),
    TaggedDocument(words=['foo', 'bar'], tags=['doc2'])
]

# 训练Doc2Vec模型
model = Doc2Vec(vector_size=100, window=5, min_count=1, workers=4)
model.build_vocab(train_data)
model.train(train_data, total_examples=model.corpus_count, epochs=10)

# 保存模型
model.save("doc2vec_model")

# 加载模型
model = Doc2Vec.load("doc2vec_model")

# 使用模型进行预测
new_doc = ['example', 'document']
vector = model.infer_vector(new_doc)
similar_docs = model.docvecs.most_similar([vector])

# 打印预测结果
for doc_id, similarity in similar_docs:
    print(f"Document '{doc_id}' with similarity {similarity}")

上述代码首先创建了训练数据，其中每个文档都是一个TaggedDocument对象，其中words是文档的单词列表，tags是文档的标签。然后，通过创建和训练Doc2Vec模型来学习文档的向量表示。训练完成后，使用save()方法将模型保存到磁盘。

要重用模型进行预测，可以使用load()方法加载保存的模型。然后，使用infer_vector()方法将新文档转换为向量表示，并使用most_similar()方法找到与其最相似的文档。最后，可以遍历预测结果并打印出相似度最高的文档。

请确保在运行代码之前已安装gensim库（可以通过pip install gensim进行安装）。