python - 在gensim.similarities.index中了解AnnoyIndexer的most_like方法

因此，我做了一个AnnoyIndexer，并正在运行一些most_like查询，以查找300维向量空间中某些向量的最近邻居。这是它的代码：

def most_similar(self, vector, num_neighbors):
    """Find the approximate `num_neighbors` most similar items.
    Parameters
    ----------
    vector : numpy.array
        Vector for word/document.
    num_neighbors : int
        Number of most similar items
    Returns
    -------
    list of (str, float)
        List of most similar items in format [(`item`, `cosine_distance`), ... ]
    """

    ids, distances = self.index.get_nns_by_vector(
        vector, num_neighbors, include_distances=True)

    return [(self.labels[ids[i]], 1 - distances[i] / 2) for i in range(len(ids))]

我想知道为什么返回的距离值都从1取走然后除以2？确定这样做之后，肯定会弄乱最大/最小距离吗？

最佳答案

从gensim的文档中：

"List of most similar items in format [(`item`, `cosine_distance`), ...]"

AnnoyIndex返回的距离是向量之间的欧式距离。因此，该方法需要将欧氏距离转换为余弦距离。余弦距离等于1 - e/2，其中e是欧氏距离值，因此是变换。有关等价的推导，请参见this。

还要注意，此变换不会改变值之间的顺序关系，请考虑0 < d1 < d2 < 1然后d1/2 < d2/2和1 - d1/2 < 1 - d2/2，因此，如果d1是o1和d2的距离o2，则在转换o1保持比o2更接近查询向量。

关于python - 在gensim.similarities.index中了解AnnoyIndexer的most_like方法，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/51903087/