深度学习100问4-测量向量间相似度的方法有那些

 
一、欧氏距离
欧氏距离就是算两个向量在空间里的直线距离。要是

两个向量完全一样，那欧氏距离就是 0。距离越大，就说明越不相似。比如说在二维空间里有两个向量，一个是(1,2)，另一个是(4,5)，用欧氏距离的公式算一下，就能得到它们的距离。欧氏距离的好处就是很容易懂，算起来也简单，不过它对向量的各个部分都一样看待，没考虑不同部分的重要性不一样。
 
二、余弦相似度
余弦相似度是算两个向量夹角的余弦值来看看它们像不像。夹角越小，余弦值就越接近 1，那就说明越相似。比如有两个向量，一个是(1,1)，另一个是(2,2)，算一下它们的点积，再算一下模，然后就能算出余弦相似度是 1，这就说明这两个向量特别像。余弦相似度的好处是不管向量多长，只看方向，所以很适合比较文本向量啥的。
 
三、皮尔逊相关系数
皮尔逊相关系数是看两个变量之间的线性相关程度的，也能用来量向量的相似度。它的值在 -1 到 1 之间，越接近 1 就说明正相关越强，越接近 -1 就说明负相关越强，0 就是不相关。算的时候，先算两个向量的均值，然后算每个元素和均值的差，再根据这些差来算相关系数。比如有两个向量，一个是(2,3,4)，另一个是(3,4,5)，算一下均值和差值向量，就能算出皮尔逊相关系数是 1，说明这两个向量线性相关程度很高。皮尔逊相关系数会考虑变量的均值和变化趋势，对有线性关系的向量比较管用。