为什么gensim.word2vec中两个词袋之间的相似度要这样计算？

def n_similarity(self, ws1, ws2):
    v1 = [self[word] for word in ws1]
    v2 = [self[word] for word in ws2]
    return dot(matutils.unitvec(array(v1).mean(axis=0)), matutils.unitvec(array(v2).mean(axis=0)))

这是我从gensim.word2Vec摘录的代码，我知道两个单词的相似度可以通过余弦距离计算，但是两个单词集呢？该代码似乎使用每个 wordvec 的平均值，然后计算两个平均向量的余弦距离。我对word2vec知之甚少，这样的过程有一些基础吗？

取所有词向量的平均值是将它们简化为单个向量的最简单方法，因此可以使用余弦相似度。直觉是，通过将所有词向量相加，您可以在结果中得到所有词向量（含义）。然后除以向量的数量，这样较大的词袋就不会得到更长的向量（无论如何，这对余弦相似度并不重要）。

还有其他方法可以将整个句子简化为单个向量，这是一种复杂的方法。我在一篇文章中写了一些相关内容相关问题 https://stackoverflow.com/a/15173821/419338就这样。从那时起，一系列新算法被提出。更容易访问的之一是段落向量 http://cs.stanford.edu/~quocle/paragraph_vector.pdf，如果您熟悉的话，理解起来应该不会有问题word2vec.