向量点积衡量相似度_点积相似度、余弦相似度、欧几里得相似度
看starspace的时候发现它实现了dot和cos两种similarity的度量方式，这里总结一下：
余弦相似度衡量两个向量在方向上的相似性，而不care两个向量的实际长度，A和B的长度即使是一个超级短一个超级长的情况下，二者的余弦相似性也可能为1(即theta=0，此时两个向量重合)；存在的问题[1]：
余弦相似度更多的是从方向上区分差异，而对绝对的数值不敏感。
比如用户对内容评分，5分制。A和B两个用户对两个商品的评分分别为A：(1,2)和B：(4,5)。我们分别用两种方法计算相似度。使用余弦相似度得出的结果是0.98，看起来两者极为相似，但从评分上看X似乎不喜欢这两个东西，而Y比较喜欢。造成这个现象的原因就在于，余弦相似度没法衡量每个维数值的差异，对数值的不敏感导致了结果的误差。
需要修正这种不合理性，就出现了调整余弦相似度，即所有维度上的数值都减去一个均值。
比如A和B对两部电影评分的均值分别是(1+4)/2=2.5,(2+5)/2=3.5。那么调整后为A和B的评分分别是：(-1.5,-1.5)和(1.5,2.5)，再用余弦相似度计算，得到-0.98，相似度为负值，显然更加符合现实。
修正的余弦相似度可以说就是对余弦相似度进行归一化处理的算法，公式如下：
欧几里得相似度:
点积相似度：
点积相似度是一个比较有意思的概念，我们在word2vec和deepwalk等模型的构建过程中都有它的身影；以word2vec的常规的softmax的损失函数为例
我们希望点积之后的结果(即Uc*Vw)经过softmax之后能够和真实的分布情况一样(也就是能够尽量为[0,0,0,...1...,0,0,0]，其中1是中心词对应的index)，那么这样整个word2vec的训练的过程就跃然纸上了：
对于点积的公式：
可以看到，我们在优化点积的时候实际上是在优化a b的模长和二者的夹角(a和b分别是embedding空间的a向量和b向量)，以word2vec为例，使用负采样的方式，a和b在同一个窗口内，其对应标签为1，则模型训练肯定是希望|a|*|b|*costheta 越接近1越好，那么在优化的过程中：
假设a和b的模长均为1且固定，则theta可能会越来越小(theta越小则costheta越接近于1，则整个a*b越接近于1)，那么在embedding空间发生的事情就是，a和b向量越来越接近，这就和我们的目的达成一致，
当然这是理想的情况，一般来说|a|和|b|的模场也是会发生变化的，他们和cos theta共同决定最终的训练结果，所以一般来说，两个相近的词其最终的embedding向量比较不容易完全重合，而是相互之间相对于其它不相关的词更加靠近；
补充，一般我们进行点积相似性度量的时候，例如召回层用embedding点积进行相似度计算，会进行l2归一化处理，
归一化之后的embedding向量进行点积实际上就是计算夹角余弦值；