我得到了一组 10,000 篇期刊文章，以及它们对应的第 100 维嵌入向量。（它们的嵌入方式未知，但我猜是word2vec。向量值从-0.5到0.5不等。）在10,000条文章名称数据中，其中10条是我的target文章。我的目标是找到几篇与我的文章“相似”的target文章。
阅读完这篇文章后，我的任务似乎不需要诸如此类的单词相似度测量tf-idf，因为我已经可以访问嵌入式向量。target如果是这样，鉴于我的数据集已经很大（10,000 * 100），我将如何以最佳方式计算我的文章与其他文章之间的相似性？
关于余弦距离（1-余弦相似度）和欧几里得距离之间的差异有很多很好的答案 - 有些链接如下。
我认为首先考虑它们是否相似是有用的。当您使用单位范数向量时，它们实际上是明显相关的：.
在这种特殊情况下：
在哪里是两个归一化向量的余弦相似度。因此，平方欧几里得距离是单位范数向量的余弦距离。
当向量未归一化时会发生什么？如果这意味着什么（例如在物理空间中），您可能有充分的理由使用欧几里得距离。
在 NLP 中，很难解释欧式距离。看看你的词嵌入（向量）：是否有充分的理由认为组件的绝对大小应该在嵌入之间具有可比性？
余弦距离测量的是一个向量（在您的情况下是嵌入）到另一个向量的（标准化）投影，即告诉两者的方向是否相同。
为了更好地理解这一点，尝试计算以下向量的欧几里得距离和余弦距离可能很有用：
这很可能是CountVectorizer的输出，用于 3 个单词，字典大小为 4。
一些很好的参考：