余弦相似度可能没用？对于某些线性模型，相似度甚至不唯一
💡
原文中文，约2900字，阅读约需7分钟。
📝
内容提要
研究表明，余弦相似度在高维对象的相似性测量中可能导致无意义的结果，尤其在深度学习模型中。因此，建议谨慎使用余弦相似度，并提出欧几里得距离和点积等替代方案，以提高相似度计算的可靠性。
🎯
关键要点
- 余弦相似度在高维对象相似性测量中可能导致无意义的结果，尤其在深度学习模型中。
- 研究表明，余弦相似度的流行源于其捕获嵌入向量之间的方向对齐，但实际效果可能不如预期。
- Netflix和康奈尔大学的研究发现，余弦相似度在特定场景下会产生任意结果，使其不可靠。
- 研究分析了线性矩阵模型，发现正则化与自由度的关系影响了余弦相似度的计算。
- 在深度学习模型中，使用不同正则化组合可能导致余弦相似度产生意想不到的效果。
- 研究提出了替代余弦相似度的方法，包括欧几里得距离、点积、软余弦相似度等。
- 在选择相似度计算方法时，需要考虑具体任务、数据性质和模型架构。
- 深度学习模型的复杂性可能加剧余弦相似度计算的不可靠性，需寻找更好的相似度计算方式。
➡️
