首先，如果 GloVe 给你标准化的单位向量，那么这两个计算是等价的。一般来说，我会使用余弦相似度，因为它消除了文档长度的影响。例如，一张明信片和一本完整的书可能是关于同一主题的，但在使用欧几里得距离的纯“词频”空间中可能会相距甚远。它们将在余弦相似度上彼此重叠。

这是针对上面的答案

那就对了。但是当一个词被表示为词频向量或 tf-idf 向量时，这不是有意义的吗？在这种情况下，由于某些术语的高频率，每个向量术语的高值将使相似含义的词远离。

但是如果我们使用 word2vec 或 Glove 来使用词向量，那么向量项基本上是神经网络的随机权重。它不再代表术语频率计数。那么我们不应该用ED而不是余弦吗？就像一个词的词向量离另一个词很远但在同一行时会发生什么。那么余弦相似度会很高，因为这两个向量之间的角度几乎为零，但 ED 会很高，因为这两个向量相距甚远。

从本质上讲，如果这两个恰好是不同的词，那么我们确实希望它们不同。在这种情况下，余弦相似度会给出错误的结果，而 ED 更有意义。

所以问题是余弦距离是否有意义，如果使用的向量是由术语 freq 或 tf-idf 创建的。但是，如果创建的向量是词嵌入，那么使用余弦仍然有意义吗？