《表9 在两种相似度计算方法下, 中心化前后相似度矩阵质量与词向量质量的Pearson相关系数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于中心化相似度矩阵的词向量方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表9为中心化前后相似度矩阵的质量评价值（相似度矩阵和人工标注结果的Pearson值）与词向量质量（Spearman值）的Pearson相关系数。从表9中能够看出，中心化后的Pearson值在点积相似度和余弦相似度中都高于中心化前，再次说明，中心化后的相似度矩阵更能符合人工标注的相似度结果，相似度矩阵更加合理。由此可见，中心化后能增强相似度矩阵与词向量质量的线性相关性，相似度矩阵的结果更符合人工标注的结果，相似度矩阵更加合理，从而能够提升词向量的质量。