结合你的学习和研究经历，探讨一下为什么一些场景中使用余弦相似度而不是欧氏距离？

场景描述：

在机器学习问题中，通常将特征表示为向量的像是，所以在分析两个特征向量之间的相似性时，常用余弦相似度来表示。余弦相似度的取值范围是【－１，１】，相同的２个向量之间的相似度为１.如果希望得到类似于距离的表示，将１－减去余弦相似度即位余弦距离，余弦距离的取值范围【０，２】，２个相同的向量的余弦距离为０.

 

结合你的学习和研究经历，探讨一下为什么一些场景中使用余弦相似度而不是欧氏距离？

对于２个向量Ａ和Ｂ，其余弦相似度即２个向量夹角的余弦。关注的是向量之间的角度关系，并不关心他们的绝对大小，其取值范围是【－１，１】。当一对文本相似度长度差异很大，但内容相近时，如果使用余弦相似度的话，他们之间的夹角可能很小，因而相似度高。此外，在文本，图像，视频等领域，研究的对象的特征维度往往很高，余弦相似度在高维情况下依然褒词相同时为１，正交时为０，相反时未－１的特性，而欧氏距离的数值则受维度的影响，范围不确定，并且含义也比较模糊。

 

在一些场景中，例如ｗｏｒｄ２ｖｅｃ　，其向量模长是经过归一化，此时欧氏距离和余弦距离有着单调的关系。

在此场景下，如果选择距离最小（