在使用余弦相似度之前，是否有任何理由（不）对向量进行 L2 归一化？
Is there any reason to (not) L2-normalize vectors before using cosine similarity?
我正在阅读论文“改进分布相似性
Levy 等人从 Word Embeddings 中吸取教训，在讨论他们的超参数时，他们说：
Vector Normalization (nrm) As mentioned in Section 2, all vectors (i.e. W’s rows) are normalized to unit length (L2 normalization), rendering the dot product operation equivalent to cosine similarity.
然后我回想起 R text2vec 包中 sim2 向量相似度函数的默认值是首先是 L2 范数向量：
sim2(x, y = NULL, method = c("cosine", "jaccard"), norm = c("l2", "none"))
所以我想知道，标准化 和 余弦（无论是在 text2vec 方面还是在一般情况下）的动机可能是什么。我试图阅读 L2 范数，但主要是在使用欧几里德距离之前进行归一化的背景下出现的。在词向量 spaces/embeddings 的余弦相似度的情况下，我找不到（令人惊讶的）关于 L2-norm 是否会被推荐或反对的任何信息。而且我不太具备计算分析差异的数学技能。
所以这是一个问题，意思是在从文本数据中学习的词向量 spaces 的上下文中（或者只是可能由 tfidf、ppmi 等加权的共现矩阵；或者像 GloVe 这样的嵌入），并计算单词相似度（目标当然是使用最能反映真实世界单词相似度的向量 space+metric）。
在计算 vectors/words 之间的余弦相似度之前，是否有任何理由（不）在词特征 matrix/term-co-occurrence 矩阵上使用 L2 范数？
text2vec 自动处理一切 - 它将使行具有单位 L2 范数，然后调用点积来计算余弦相似度。
但是如果矩阵已经有单位为 L2 范数的行，那么用户可以指定 norm = "none" 并且 sim2 将跳过第一个归一化步骤（节省一些计算）。
我理解困惑 - 可能我需要删除 norm 选项（标准化矩阵不需要太多时间）。
如果您想获得余弦相似度，则无需标准化为 L2 范数，然后再计算余弦相似度。无论如何，余弦相似度都会对向量进行归一化，然后取两者的点积。
如果您正在计算欧几里德距离，那么如果距离或矢量长度不是重要的区分因素，您需要进行归一化。如果矢量长度是一个区分因素，那么不要按原样归一化和计算欧几里得距离。
我正在阅读论文“改进分布相似性 Levy 等人从 Word Embeddings 中吸取教训，在讨论他们的超参数时，他们说：
Vector Normalization (nrm) As mentioned in Section 2, all vectors (i.e. W’s rows) are normalized to unit length (L2 normalization), rendering the dot product operation equivalent to cosine similarity.
然后我回想起 R text2vec 包中 sim2 向量相似度函数的默认值是首先是 L2 范数向量：
sim2(x, y = NULL, method = c("cosine", "jaccard"), norm = c("l2", "none"))
所以我想知道，标准化 和 余弦（无论是在 text2vec 方面还是在一般情况下）的动机可能是什么。我试图阅读 L2 范数，但主要是在使用欧几里德距离之前进行归一化的背景下出现的。在词向量 spaces/embeddings 的余弦相似度的情况下，我找不到（令人惊讶的）关于 L2-norm 是否会被推荐或反对的任何信息。而且我不太具备计算分析差异的数学技能。
所以这是一个问题，意思是在从文本数据中学习的词向量 spaces 的上下文中（或者只是可能由 tfidf、ppmi 等加权的共现矩阵；或者像 GloVe 这样的嵌入），并计算单词相似度（目标当然是使用最能反映真实世界单词相似度的向量 space+metric）。
在计算 vectors/words 之间的余弦相似度之前，是否有任何理由（不）在词特征 matrix/term-co-occurrence 矩阵上使用 L2 范数？
text2vec 自动处理一切 - 它将使行具有单位 L2 范数，然后调用点积来计算余弦相似度。
但是如果矩阵已经有单位为 L2 范数的行，那么用户可以指定 norm = "none" 并且 sim2 将跳过第一个归一化步骤（节省一些计算）。
我理解困惑 - 可能我需要删除 norm 选项（标准化矩阵不需要太多时间）。
如果您想获得余弦相似度，则无需标准化为 L2 范数，然后再计算余弦相似度。无论如何，余弦相似度都会对向量进行归一化，然后取两者的点积。
如果您正在计算欧几里德距离，那么如果距离或矢量长度不是重要的区分因素，您需要进行归一化。如果矢量长度是一个区分因素，那么不要按原样归一化和计算欧几里得距离。