在查看距离之前，让我们尝试了解 Word2Vector 的实际工作原理：

有两种方法可以为单词生成向量：

1. 连续的词袋
2. 跳过克

下图解释了这两种方法之间的区别。

如果您想进一步了解这两种方法的本质，这里有大量的博客。

现在让我们看看图像试图告诉我们什么。

对于 CBOW，它查看相邻单词以提供另一个单词在该空间中同时出现的概率。

对于 Skipgram，给定一个单词，它提供所有其他单词在邻域中出现的概率。

为什么知道这一点很重要？

如果不了解这些算法在做什么，就不太可能解决 NLP 问题，因为词向量是任何深度学习/机器学习算法的主要输入。

词向量为我们提供了哪些其他功能？

由于您在 n 维空间中对 Words 进行了矢量化，它使您能够执行快速操作，例如在此 n 维空间中计算距离。一种这样的方法是余弦距离，您已经概述了使用过的方法。

了解如何计算距离也有帮助。这是余弦相似度如何工作的一个小解释：

当您查看 n 维空间中的向量投影时，您会发现这些向量之间的角度差异。如果角度很小，假设为 0，则 cos(0) = 1，这意味着这些向量之间的距离非常小，从而使它们成为相似的向量。

鉴于此信息，您可以从单词之间的距离结果中推断出什么：

1. 您的语料库中的词分布多样，可能与大量词同时出现，从而使相似词之间的距离不 > 0.7
2. 鉴于单词的变化以及词汇表中可能存在大量停用词，浅层神经网络很难为您的单词提供准确的向量。

有助于提高矢量质量的建议：

1. 使用 TFIDF，您可以删除停用词，以防您不感兴趣。
2. 预处理您的文本以使其成为标准格式。例如，文本的小写、特殊字符的去除、空格的去除。
3. 尝试不同的嵌入大小。从 100 开始，因为您只对有限数量的单词感兴趣。
4. 使用 tsne / PCA 可视化您的向量并将它们投影到 2 或 3 维空间。
5. 对不同的时期执行相同的操作，以查看向量如何收敛/发散。
6. 很好地理解你的语料库也很重要，这样你就知道这些向量意味着什么以及它们是如何同时出现的。

希望这可以帮助。