如果我使用 tf-idf 特征表示（或只是文档长度归一化），那么欧几里得距离和 （1 - 余弦相似性）基本相同吗？我读过的所有教科书和其他论坛，讨论都说余弦相似性更适合文本......
我写了一些基本代码来测试这一点，发现它们确实是可比的，不是完全相同的浮点值，但它看起来像一个缩放版本。下面给出了简单演示文本数据上这两种相似性的结果。文本 2 是大约 50 个单词的大行，其余是小的 10 个单词行。
余弦相似性：0.0， 0.2967， 0.203， 0.2058
欧氏距离：0.0， 0.285， 0.2407， 0.2421
注意：如果这个问题更适合交叉验证或数据科学，请告诉我。
如果你的数据被规范化为单位长度，那么很容易证明
Euclidean(A,B) = 2 - Cos(A,B)
如果 ||A||=||B||=1.它在一般情况下不成立，它取决于您执行规范化步骤的确切顺序。即，如果您首先将文档规范化为单位长度，然后执行 IDF 加权，那么它将不会成立......
不幸的是，人们使用各种变体，包括完全不同的 IDF 规范化版本。