我在gensim中使用Doc2Vec.docvecs.similarity（）计算了文档的相似之处。现在，如果gensim使用余弦的绝对值作为相似性度量，我或者期望余弦相似度位于[0.0,1.0]的范围内，如果不是，那么大约一半是负值。
然而，我所看到的是某些的相似之处是否定的，但它们非常罕见 - 在我的30000份文档中，不到1％的成对相似性。
为什么几乎所有相似之处都是正面的？
答案 0 :(得分：0)
Word2Vec / Doc2Vec中没有固有的保证，生成的向量集对称地分布在原点周围。它们可能在某些方向上不成比例，这将产生您已经看到的结果。
在一些测试中，我刚刚对捆绑的gensim docs/notebooks/doc2vec-lee.ipynb笔记本中使用的玩具大小的数据集（＆＃39; lee corpus＆＃39;）进行了检查，检查了所有文档与第一个文档的余弦相似度文件，它隐约似乎：
hs=1, negative=0）产生的平衡在＆gt; 0.0和<0.0余弦相似度之间更接近（但尚未完全）的一半和一半negative=1）会产生更平衡的结果集;使用较大的数字（例如negative=10）会产生相对更多的＆gt; 0.0余弦相似度虽然没有定论，但这有点暗示着向量的排列可能受negative参数的影响。具体而言，典型的负采样参数（例如默认negative=5）意味着单词将作为非目标训练的次数多于作为正目标的次数。那个可能在一个方向上推动最终坐标的优势。 （对更大的数据集和模式进行更多测试，以及对模型设置如何影响最终向量位置的更多分析，有必要对这个想法更有信心。）
如果由于某种原因你想要更平衡的矢量排列，你可以考虑改变他们的位置，训练后。
在word2vec空间"All-but-the-Top: Simple and Effective Postprocessing for Word Representations"中，最近发表了一篇有趣的论文，发现训练有素的单词集合并不一定具有0幅度的平均值 - 它们依旧来自原点的一个方向的平均值。此外，本文报告说，减去共同均值（重新集中设置），并删除一些其他主导方向，可以改善向量＆＃39;对某些任务有用。
直观地说，我怀疑这个＆＃39; all-but-the-top＆＃39;转型可能有助于增加歧视性和对比度。在结果向量中。
类似的过程可能会为doc-vectors带来类似的好处 - 并且可能会使任何doc-vector的全余余弦相似性在＆gt; 0.0和<0.0之间更加平衡值。