我试图找到两个随机单词的余弦相似度（使用手套向量）。正如预期的那样，相似度的分布集中在 0 附近，因为可以合理地认为两个随机词不会彼此相似。

但是，当我尝试对 10 个单词的 2 个随机集合做类似的事情时，即我取两个集合中 10 个单词的平均向量并计算余弦相似度，相似度往往集中在 0.8。

这似乎表明给定 2 个 10 个单词的随机句子，它们在语义上很可能是相似的。这可能是什么解释？

包含 python 代码来重现结果。

import spacy
nlp = spacy.load('en')

vocab = nlp.vocab
words = np.array([x.orth_.encode('utf8') for x in vocab])

hist1 = []
n = 1000
num_words = 1
for _ in range(n):
    x,y = choice(words, size=(2,num_words))
    x = nlp(" ".join([u.decode('utf8') for u in x]))
    y = nlp(" ".join([u.decode('utf8') for u in y]))
    s = x.similarity(y)
    hist1.append(s)

hist10 = []
n = 1000
num_words = 10
for _ in range(n):
    x,y = choice(words, size=(2,num_words))
    x = nlp(" ".join([u.decode('utf8') for u in x]))
    y = nlp(" ".join([u.decode('utf8') for u in y]))
    s = x.similarity(y,)
    hist10.append(s)

plt.hist([hist1,hist10], label=[1,10])
plt.legend()