Nlp wmd（词移动距离）和基于wmd的相似性之间有什么区别？

我正在使用大规模杀伤性武器来计算句子之间的相似度。例如：

distance = model.wmdistance(sentence_obama, sentence_president)

参考：

然而，也有基于WMD的相似性方法

（WMD相似性）。

参考：

除了明显的一个是距离，另一个是相似性之外，两者之间的区别是什么

更新：两者完全相同，只是表示方式不同

n_queries = len(query)
result = []
for qidx in range(n_queries):
    # Compute similarity for each query.
    qresult = [self.w2v_model.wmdistance(document, query[qidx]) for document in self.corpus]
    qresult = numpy.array(qresult)
    qresult = 1./(1.+qresult)  # Similarity is the negative of the distance.

    # Append single query result to list of all results.
    result.append(qresult)

---

我认为通过“更新”，你或多或少回答了你自己的问题

一个是距离，另一个是相似性，这是两个计算之间的唯一区别。作为笔记本，您可以在以下位置链接笔记：

大规模杀伤性武器是距离的一种度量。WMD相似性中的相似性只是负距离。小心不要混淆距离和相似性。两个相似的文档将具有较高的相似性分数和较小的距离；两个完全不同的文档的相似性分数较低，距离也较大

---

正如您摘录的代码所示，此处使用的相似性度量并不完全是“负”距离，而是按比例缩放的，因此所有相似性值都是从0.0（独占）到1.0（包含）。（也就是说，零距离变成1.0相似性，但更大的距离变得更接近0.0。）

当你说“还有大规模杀伤性武器相似性选项”时，你指的是什么？（我已经搜索了gensim word2vec.py和keyedvectors.py文件，不明白你的意思。只有词向量到词向量的相似性方法，这与词移动器对向量集的距离计算大不相同。）通常情况下，“相似性”度量只是（1.0-缩放的_距离），但最好能确定你在比较什么。@gojomo我是说单词移动者基于距离的相似性。我将为问题添加详细信息。感谢您提供准确的代码参考。