相似度函数篇

---

一、除了 cosine 还有哪些算相似度的方法

除了余弦相似度（cosine similarity）之外，常见的相似度计算方法包括：

• 欧氏距离
• 曼哈顿距离
• Jaccard 相似度
• 皮尔逊相关系数

---

二、了解对比学习嘛？

对比学习是一种无监督学习方法，通过训练模型使得相同样本的表示更接近，而不同样本的表示更远离，从而学习到更好的表示。

对比学习通常使用对比损失函数，例如：

• Siamese 网络
• Triplet 网络

这些方法用于学习数据之间的相似性和差异性。

---

三、对比学习负样本是否重要？负样本构造成本过高应该怎么解决？

负样本的重要性：

• 负样本可以帮助模型学习样本之间的区分度，从而提升性能和泛化能力。
• 具体重要性取决于任务和数据的特点。

负样本构造成本过高的解决方案：

1. 降低负样本的构造成本：

   • 设计高效的负样本生成算法或采样策略。
   • 利用数据增强技术生成合成负样本。
   • 使用近似采样方法选择与正样本相似但不相同的负样本。

2. 确定关键负样本：

   • 重点关注一些关键负样本，降低全覆盖负样本的需求。
   • 以任务特点为基础，选取最重要的负样本构造。

3. 迁移学习和预训练模型：

   • 利用其他领域或任务中已有的负样本构造成果。
   • 减少重复构造工作的成本和时间。

---

1. 相似度计算方法概览
   相似度计算在机器学习和数据分析中非常重要。除了经典的余弦相似度外，还包括：

欧氏距离：用于衡量空间中两点的直线距离。
曼哈顿距离：用于衡量城市街区中两点的路径距离。
Jaccard 相似度：衡量两个集合的交集与并集的比值。
皮尔逊相关系数：适合分析数据间线性关系的相似性。
这些方法各有应用场景，例如文本处理、推荐系统、聚类分析等。

2. 对比学习：无监督学习的关键
   对比学习是一种无监督学习技术，旨在通过对比样本之间的关系，学习数据的有效表示。
   关键方法：

Siamese 网络：通过成对样本训练模型来度量相似性。
Triplet 网络：利用正样本和负样本构建三元组训练模型。
对比学习的应用涵盖图像分类、语义搜索和推荐系统。

3. 负样本在对比学习中的作用
   负样本是对比学习中的核心部分，用于区分不同样本的特性。

重要性：负样本决定了模型的区分能力和泛化性能。
高效生成策略：
数据增强：通过变换正样本生成负样本。
近似采样：选取与正样本相似但不同的样本。
迁移学习：使用其他任务中的预训练负样本减少开发成本。
适当选择负样本能够显著降低模型训练成本。

4. 从相似度到对比学习的演进
   传统相似度计算（如余弦相似度）主要关注固定的数学公式，而对比学习通过深度模型动态学习相似性。

传统方法适合高维稀疏数据分析。
对比学习更适合大规模非结构化数据的特征提取。
这一趋势展示了从静态公式到动态学习的技术发展，适合现代数据场景的多样化需求。