向量之一全为零时的余弦相似度
Posted
技术标签:
【中文标题】向量之一全为零时的余弦相似度【英文标题】:Cosine similarity when one of vectors is all zeros 【发布时间】:2014-12-29 05:57:49 【问题描述】:余弦相似度如何表示(http://en.wikipedia.org/wiki/Cosine_similarity)
当其中一个向量全为零时?
v1 = [1, 1, 1, 1, 1]
v2 = [0, 0, 0, 0, 0]
当我们根据经典公式计算时,我们得到除以零:
Let d1 = 0 0 0 0 0 0
Let d2 = 1 1 1 1 1 1
Cosine Similarity (d1, d2) = dot(d1, d2) / ||d1|| ||d2||dot(d1, d2) = (0)*(1) + (0)*(1) + (0)*(1) + (0)*(1) + (0)*(1) + (0)*(1) = 0
||d1|| = sqrt((0)^2 + (0)^2 + (0)^2 + (0)^2 + (0)^2 + (0)^2) = 0
||d2|| = sqrt((1)^2 + (1)^2 + (1)^2 + (1)^2 + (1)^2 + (1)^2) = 2.44948974278
Cosine Similarity (d1, d2) = 0 / (0) * (2.44948974278)
= 0 / 0
我想在集群应用程序中使用这种相似性度量。 我经常需要比较这些向量。 还有 [0, 0, 0, 0, 0] 与 [0, 0, 0, 0, 0]
你有什么经验吗? 由于这是一个相似性(不是距离)度量,我应该使用特殊情况
d( [1, 1, 1, 1, 1]; [0, 0, 0, 0, 0] ) = 0
d([0, 0, 0, 0, 0]; [0, 0, 0, 0, 0] ) = 1
怎么样
d([1, 1, 1, 0, 0]; [0, 0, 0, 0, 0] ) = ?等等
【问题讨论】:
【参考方案1】:如果你有 0 个向量,cosine 对你的应用来说是错误的相似度函数。
余弦距离本质上等同于 L_2 归一化数据上的平方欧几里得距离。 IE。您将每个向量归一化为单位长度 1,然后计算平方欧几里德距离。
余弦的另一个好处是性能 - 在非常稀疏的高维数据上计算它比欧几里得距离更快。它受益于稀疏到正方形,而不仅仅是线性。
虽然您显然可以尝试在恰好 1 为 0 时将相似度设为 0,并在它们相同时将相似度设为最大值,但这并不能真正解决潜在的问题。
不要根据您可以轻松计算的距离来选择距离。
相反,选择距离以使结果对您的数据具有意义。如果值未定义,你就没有意义……
有时,无论如何将常量 0 数据丢弃为无意义的数据可能会起作用(例如,分析 Twitter 噪音,并看到一条全是数字而没有文字的推文)。有时不会。
【讨论】:
那么在这种情况下,更合适的相似性度量是什么?汉明距离? 没有给出上下文。欧几里得距离也可能“更合适”。【参考方案2】:未定义。
认为你有一个不为零的向量 C 代替你的零向量。将它乘以 epsilon > 0 并让 epsilon 运行为零。结果将取决于 C,因此当向量之一为零时,函数不连续。
【讨论】:
以上是关于向量之一全为零时的余弦相似度的主要内容,如果未能解决你的问题,请参考以下文章