Normalization 在使用余弦相似性之前，是否有任何理由（不）L2规范化向量？

我正在阅读Levy等人的论文，在讨论他们的超参数时，他们说：

向量标准化（nrm）如第2节所述，所有向量（即W的行）均标准化为单位长度（L2标准化），使点积运算等效于余弦相似性

然后我回忆起，R

text2vec

包中的

sim2

向量相似性函数的默认值是首先使用L2范数向量：

sim2(x, y = NULL, method = c("cosine", "jaccard"), norm = c("l2", "none"))

所以我想知道，规范化和余弦（就text2vec和一般而言）的动机是什么。我试着阅读L2范数，但大多数情况下，在使用欧几里德距离之前，它是在标准化的背景下出现的。在词向量空间/嵌入的余弦相似性的情况下，我找不到（令人惊讶的）任何关于L2范数的建议。我没有足够的数学技能来计算分析差异

---

因此，这里有一个问题，是指从文本数据中学习到的词向量空间（或者只是可能通过tfidf、ppmi等加权的共现矩阵；或者像手套这样的嵌入），以及计算词的相似性（目标当然是使用向量空间+度量，最好地反映真实世界的词的相似性）
简单地说，有没有理由（不）在计算向量/单词之间的余弦相似性之前，在单词特征矩阵/术语共现矩阵上使用L2范数？

text2vec

自动处理所有事情-它将使行具有单位L2范数，然后调用点积来计算余弦相似性

但是，如果矩阵已经有具有单位L2范数的行，则用户可以指定

norm=“none”

，并且

sim2

将跳过第一个规范化步骤（节省一些计算）

---

我理解混淆-可能我需要删除

norm

选项（规范化矩阵不需要太多时间）。

如果您想要获得余弦相似性，您不需要规范化到L2 norm，然后计算余弦相似性。余弦相似性对向量进行归一化，然后取两个向量的点积

---

如果你在计算欧几里德距离，那么如果距离或向量长度不是一个重要的区别因素，你需要标准化。如果向量长度是一个区别因素，那么不要规范化和计算欧几里德距离

谢谢。让我直截了当地说-所以在

sim2

中，如果方法是

cosine

，但

norm=“none”

（并且事先没有进行标准化），那么

sim2

实际上只做点积，而不是cosine相似度本身？