确定相似性作为距离Word Mover的距离的经典例子，例如这里https://markroxor.github.io/gensim/static/notebooks/WMD_tutorial.html，GoogleNews-vectors-negative300.bin上的word2vec模型，D1 =“奥巴马与伊利诺伊州的媒体对话”，D2 =“总统在芝加哥迎接新闻界“，D3 =”橘子是我最喜欢的水果“。当计算wmd距离时：距离（D1，D2）= 3.3741，距离（D1，D3）= 4.3802。所以我们理解（D1，D2）比（D1，D3）更相似。 vmd距离的阈值是多少，以确定这两个句子实际上包含几乎相同的信息？也许在句子D1和D2的情况下，3.3741的值太大，实际上这些句子是不同的？例如，当存在问题，正确答案的样本和学生的答案时，需要做出这样的决定。 gojomo在回答之后添加：让我们推迟识别并自动理解逻辑以供日后使用。让我们考虑这样一种情况，即在两个句子中有一个对象的枚举，或一个对象的属性和动作以积极的方式，我们需要评估这两个句子的内容有多相似。
我不相信有任何绝对的门槛可以按你的意愿使用。
“Word Mover的距离”可以在寻找高度相似的文本时提供一些令人印象深刻的结果，特别是在与其他候选文本的相对比较中。
然而，它的大小可能会受到文本大小的影响，而且它还不能理解严格的语法/语义。因此，诸如微妙的否定或对比之类的事情，或对母语人士来说无意义的事情，将不会被突出显示为与其他陈述非常“不同”。
例如，两个短语“许多历史学家都认为奥巴马绝对是21世纪最好的总统”，而且“许多历史学家都认为奥巴马绝对不是21世纪最好的总统”，大多数人都会注意到它与大多数人相似。基于单词统计的度量，例如Word Mover的距离。然而，插入一个词意味着他们传达了一些相反的观点。