向量之一全为零时的余弦相似度答案

【问题标题】：Cosine similarity when one of vectors is all zeros向量之一全为零时的余弦相似度
【发布时间】：2014-12-29 05:57:49
【问题描述】：

余弦相似度如何表示（http://en.wikipedia.org/wiki/Cosine_similarity）

当其中一个向量全为零时？

v1 = [1, 1, 1, 1, 1]

v2 = [0, 0, 0, 0, 0]

当我们根据经典公式计算时，我们得到除以零：

Let d1 = 0 0 0 0 0 0
Let d2 = 1 1 1 1 1 1
Cosine Similarity (d1, d2) =  dot(d1, d2) / ||d1|| ||d2||dot(d1, d2) = (0)*(1) + (0)*(1) + (0)*(1) + (0)*(1) + (0)*(1) + (0)*(1) = 0

||d1|| = sqrt((0)^2 + (0)^2 + (0)^2 + (0)^2 + (0)^2 + (0)^2) = 0

||d2|| = sqrt((1)^2 + (1)^2 + (1)^2 + (1)^2 + (1)^2 + (1)^2) = 2.44948974278

Cosine Similarity (d1, d2) = 0 / (0) * (2.44948974278)
                           = 0 / 0

我想在集群应用程序中使用这种相似性度量。我经常需要比较这些向量。还有 [0, 0, 0, 0, 0] 与 [0, 0, 0, 0, 0]

你有什么经验吗？由于这是一个相似性（不是距离）度量，我应该使用特殊情况

d( [1, 1, 1, 1, 1]; [0, 0, 0, 0, 0] ) = 0

d([0, 0, 0, 0, 0]; [0, 0, 0, 0, 0] ) = 1

怎么样

d([1, 1, 1, 0, 0]; [0, 0, 0, 0, 0] ) = ?等等

【问题讨论】：

标签： machine-learning cluster-analysis data-mining cosine-similarity

【解决方案1】：

如果你有 0 个向量，cosine 对你的应用来说是错误的相似度函数。

余弦距离本质上等同于 L_2 归一化数据上的平方欧几里得距离。 IE。您将每个向量归一化为单位长度 1，然后计算平方欧几里德距离。

余弦的另一个好处是性能 - 在非常稀疏的高维数据上计算它比欧几里得距离更快。它受益于稀疏到正方形，而不仅仅是线性。

虽然您显然可以尝试在恰好 1 为 0 时将相似度设为 0，并在它们相同时将相似度设为最大值，但这并不能真正解决潜在的问题。

不要根据您可以轻松计算的距离来选择距离。

相反，选择距离以使结果对您的数据具有意义。如果值未定义，你就没有意义……

有时，无论如何将常量 0 数据丢弃为无意义的数据可能会起作用（例如，分析 Twitter 噪音，并看到一条全是数字而没有文字的推文）。有时不会。

【讨论】：

那么在这种情况下，更合适的相似性度量是什么？汉明距离？
没有给出上下文。欧几里得距离也可能“更合适”。

【解决方案2】：

未定义。

认为你有一个不为零的向量 C 代替你的零向量。将它乘以 epsilon > 0 并让 epsilon 运行为零。结果将取决于 C，因此当向量之一为零时，函数不连续。

【讨论】：