余弦相似性广泛用于测量两个向量之间的相似性，其中两个可以是词向量或文档向量。
其他的，如曼哈顿、欧几里得、闵可夫斯基等，也很受欢迎。
余弦相似性给出了 0 到 1 之间的数字，因此它似乎是两个向量之间相似性的百分比。欧几里得给出了一些变化很大的数字。
.
当两个向量之间的余弦相似度给出0.78xxx时，包括我在内的人可能会期望"这两个向量有78%的相似性！"，这不是两个向量的实际"相似度"。
.
与余弦相似性不同，闵可夫斯基、曼哈顿、堪培拉等甚至给出了一些不在 0 到 1 范围内的大数。
For word1:word2 example
0.78 (cosine, gives between 0 to 1)
9.54 (Euclidean, gives the actual distance between two vectors)
158.417 (Canberra)
.
我预计可能会有一些归一化方法广泛用于表示两个向量之间的实际"相似度"。如果您知道一些，请提供。如果有文章或论文，那就更好了。
For word1:word2 example
0.848 (cosine, transformed as normalized number)
0.758 (Euclidean, normalized between 0 to 1)
0.798 (Canberra, normalized between 0 to 1)
我不希望你提到softmax数字，因为我读过一篇文章，说softmax数字本身不应该被视为实际的百分比。
你必须严格定义"实际'相似度'"的含义，才能使任何答案成为可能。
这些措施中的每一个都很有用。如果您需要该范围内的内容，则可以将每个值缩放到 0.0 到 1.0 之间的值。但这并不一定使它们中的任何一个成为"百分比相似性"，因为"百分比相似性"不是一个具有严格含义的概念。