Magnitude Matters：面向整体语义理解的优越相似度度量

高维向量比较是 NLP 中的基本任务，但目前仅以两种基准主导：原始点积——无界且敏感于向量范数；以及余弦相似度——完全丢弃了幅度信息。本文挑战这两种标准，提出并严格评估了一类无参数、幅度感知的相似度度量。我引入两种此类函数：重叠相似度（Overlap Similarity, OS）和双曲正切相似度（Hyperbolic Tangent Similarity, HTS），旨在以更原则的方式整合向量幅度与对齐信息。为确保发现具有鲁棒性和可泛化性，我使用四种最新句子嵌入模型（all-MiniLM-L6-v2、all-mpnet-base-v2、paraphrase-mpnet-base-v2 和 BAAI/bge-large-en-v1.5）进行了全面评估，涵盖八个标准 NLP 基准，包括 STS-B、SICK、Quora 和 PAWS。采用 Wilcoxon 符号秩检验检验统计显著性，我的结果具有决定性：在需要整体语义理解的任务（如改写和推理）上，OS 和 HTS 在所有底层嵌入模型下，均对原始点积和余弦相似度在均方误差上实现统计显著提升。关键在于，我的发现界定了这些度量优势的具体领域：对于需要整体语义理解的任务（如改写和推理），我的幅度感知度量提供了统计上优越的替代方案。这种显著提升在旨在测试高度细致构成语义的基准（SICK、STS-B）上并未观察到，将构成表示构成文本的独立且重要的未来工作方向。