计算基于文本的文档之间的余弦相似度的一种常用方法是计算tf-idf，然后计算tf-idf矩阵的线性核。
TF-IDF矩阵是使用TfidfVectorizer（）计算的。
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer(stop_words='english')
tfidf_matrix_content = tfidf.fit_transform(article_master['stemmed_content'])
这里article_master是一个数据框，其中包含所有文档的文本内容。
如Chris Clark here所述，TfidfVectorizer产生归一化向量。因此linear_kernel结果可以用作余弦相似度。
cosine_sim_content = linear_kernel(tfidf_matrix_content, tfidf_matrix_content)这就是我的困惑所在。
有效地，两个向量之间的余弦相似度为：
InnerProduct(vec1,vec2) / (VectorSize(vec1) * VectorSize(vec2))
线性内核按here所述计算InnerProduct
所以问题是：
为什么不将内积与向量的乘积相除？
为什么规范化使我免除此要求？
现在，如果我想计算ts-ss相似度，我是否仍可以使用
归一化的tf-idf矩阵和余弦值（通过
仅线性核）？
最佳答案
感谢@timleathart的回答here我终于知道了原因。
归一化向量的大小为1，因此是否明确除以大小并不重要。这两种方法在数学上都是等效的。
tf-idf矢量化器对各个行（矢量）进行归一化，以使它们的长度均为1。由于余弦相似度仅与角度有关，因此矢量的大小差异无关紧要。
使用ts-ss的主要原因是要同时考虑角度和矢量大小的差异。因此，即使使用归一化向量没有错；但是，这超出了使用“三角形相似性”组件的全部目的。