余弦相似度涉及嵌入，我们是否必须嵌入整个句子/文本？

Question

想象我有一些这样的代码。我正在使用编码函数来创建嵌入。然后，在我选择的所有模型都面向余弦相似度（而不是点积相似度）之后，我会根据这些计算计算余弦相似度得分。

我的问题是，您是否总是按原样嵌入整个字符串，或者您是否/可以在编码之前对两个字符串进行清理？停用词出来了。也许只保留名词或实体。这是一件事吗，或者结果字符串中的不连续性/非语法可能性会伤害我们吗？

from sentence_transformers import SentenceTransformer, util
model_name = 'sentence-transformers/multi-qa-mpnet-base-cos-v1'
model = SentenceTransformer(model_name)
phrase1 = 'Some arbitrarily long string from a book'
phrase2 = "This is a another arbitrarily long string from the same book'    
emb1 = model.encode(phrase1)
emb2 = model.encode(phrase2)

我得到了余弦相似度，但分布得不太好。好的比赛和坏的比赛之间没有足够的区别。

Answer 1

由于您正在使用句子嵌入，因此对整个句子进行编码更有意义。

为了增加分离度，另一种方法可能是，如果您了解大多数文本所属的类别，那么您可以使用零样本分类器为每个类别的每个文本给出分数。您可以像半监督方法一样不断完善类别。