这里有一个初学者的NLP问题：

.similarity方法是如何工作的？

哇，SpaCy真是太棒了！它的tfidf模型可以更容易预处理，但只用一行代码（token.vector）就能使用w2v？！ – 太厉害了！

在SpaCy的10行教程中，andrazhribernik向我们展示了.similarity方法，可以在词元、句子、词块和文档上运行。

在nlp = spacy.load('en')和doc = nlp(raw_text)之后，我们可以在词元和词块之间进行.similarity查询。然而，这个.similarity方法背后到底计算了什么呢？

SpaCy已经有了非常简单的.vector，它计算了从GloVe模型训练得到的w2v向量（如果有一个.tfidf或.fasttext方法会不会很酷？）。

模型相似度模型只是在计算这两个w2v-GloVe向量之间的余弦相似度，还是在做其他事情？在文档中没有清楚说明具体细节；任何帮助都将不胜感激！

回答：

假设你提到的是词元相似度方法，你可以在源代码中找到这个函数，在这里。如你所见，它计算的是向量之间的余弦相似度。

正如教程中所说：

词嵌入是对一个词的表示，进而是对整个语言语料库的表示，形式为向量或其他数值映射。这使得可以将词以数值方式处理，词的相似性表现为词嵌入映射维度上的空间差异。

因此，向量距离可以与词的相似性相关联。