如何用WordEmbedding做语义相似度计算？余弦相似度实战代码分享-人工智能-PHP中文网

语义相似度计算核心是将文本转为向量后用余弦相似度衡量夹角，关键在于向量是否对齐语义；推荐从预训练词向量（如word2vec、glove、fasttext或中文tencent embedding）入手，句子层面可用平均池化、加权平均或sentence-bert；注意未登录词、长度差异、大小写与标点处理，阈值需依业务校准；效果不佳时应升级至sentence-bert、simcse等句向量方法。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

如何用wordembedding做语义相似度计算？余弦相似度实战代码分享

用 Word Embedding 计算语义相似度，核心是把词语或句子转成向量，再用余弦相似度衡量向量夹角——夹角越小，语义越接近。关键不在于模型多复杂，而在于向量表征是否对齐语义、是否适合当前任务。

选对词向量：预训练 vs 微调

初学者建议从成熟的预训练词向量入手，比如 Word2Vec（Google News 300维）、GloVe（6B/42B语料）或 FastText（支持子词，对拼写错误更鲁棒）。中文可直接用腾讯AI Lab发布的Tencent AI Lab Embedding（882万词，200维），或哈工大LTP、百度Word2Vec中文版。

注意：单个词的向量不能直接代表整句语义。若需句子相似度，常见做法有：

平均池化：对句中每个词向量取平均（需过滤停用词、忽略未登录词）
加权平均：用 TF-IDF 或词频给不同词赋权重后再平均
句向量模型：如 Sentence-BERT（sbert.net），直接输出高质量句向量，效果远超简单平均

余弦相似度计算：三步到位

公式是：cosθ = (A·B) / (||A|| × ||B||)，本质是归一化后的点积。Python 中用 sklearn.metrics.pairwise.cosine_similarity 最稳，也支持批量计算。

论文常用的tex格式转换为word格式，核心是能转换数学公式（非图片），表格，图表等等

将 LaTeX（.tex）学术论文转换为 Word（.docx），支持可编辑的 OMML 公式、原生 Word 表格、嵌入图形、IEEE 双栏排版及参考文献

下载

示例代码（基于预训练 Word2Vec）：

from gensim.models import KeyedVectors
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np
<h1>加载预训练词向量（以英文为例）</h1><p>model = KeyedVectors.load_word2vec_format('GoogleNews-vectors-negative300.bin', binary=True)</p><p>def sentence_vector(sent, model, dim=300):
words = sent.lower().split()
vec = np.zeros(dim)
count = 0
for word in words:
if word in model:
vec += model[word]
count += 1
return vec / count if count > 0 else np.zeros(dim)</p><h1>计算两句话相似度</h1><p>s1_vec = sentence_vector("I love machine learning", model)
s2_vec = sentence_vector("I enjoy AI algorithms", model)</p><p>sim = cosine_similarity([s1_vec], [s2_vec])[0][0]
print(f"相似度: {sim:.4f}")  # 输出类似 0.7231
</p>