如何将TS-SS计算结果转换为0-1区间的相似度指标？

一、公式S = 1 / (1.1 ** D)是否可行？ #

完全可行，原因如下：

• 符合距离转相似度的核心逻辑：TS-SS值（D）越小，代表答案与参考答案越相似，转换后的相似度（S）越接近1；D越大则S越趋近0，和你原有的余弦相似度趋势完全匹配。
• 从你提供的测试数据来看，该公式转换后的结果和余弦相似度数值接近，能够满足自动评分的需求——评分场景不需要绝对精准的数值映射，只要相对排序和分值区间符合预期即可。
• 你也可以根据自己的核心数据点微调底数（比如把1.1换成1.19），让转换结果更贴合你在意的余弦相似度对应值，比如针对D=1.455对应S=0.77的情况，用1/(1.19**D)就能得到几乎完全匹配的结果。

二、正确的转换方法建议 #

1. 基于现有数据做曲线拟合（精准匹配） #

你已经有TS-SS和余弦相似度的多组对应数据，可以用非线性最小二乘法拟合合适的映射函数，常用的函数类型包括：

• 指数型：S = e^(-b*D)（边界条件：D=0时S=1，符合你的数据）
• 幂函数型：S = 1 / (1 + k*D)^n
• 混合型：比如结合指数和线性项的函数

拟合后得到的函数会比手动找的公式更精准，能让转换结果和原余弦相似度的匹配度更高。

2. 反向推导TS-SS的逆函数（最优解） #

既然TS-SS计算过程中用到了余弦相似度，如果你能找到TS-SS的完整计算公式（比如原始论文、开源实现细节），可以直接推导它的逆函数，也就是从TS-SS值反推出对应的相似度，这是最精准的转换方式——相当于直接还原TS-SS背后的相似性逻辑。

3. 简化方案（快速落地） #

如果不需要极致精准，直接用你找到的S = 1 / (1.1 ** D)即可，或者根据你的测试数据微调底数，快速适配自动评分的需求。

内容的提问来源于stack exchange，提问作者newtocoding