计算语义相似度的方法有很多，具体选择哪种方法取决于应用场景和数据类型。以下是一些常见的计算语义相似度的方法：

### 1. **基于词袋模型（Bag of Words, BoW）**
   - **原理**: 将文本表示为词频向量，然后计算向量之间的余弦相似度。
   - **优点**: 简单易实现。
   - **缺点**: 忽略了词序和语义信息。

### 2. **TF-IDF（Term Frequency-Inverse Document Frequency）**
   - **原理**: 结合词频和逆文档频率，计算文本中词语的重要性，然后计算向量之间的余弦相似度。
   - **优点**: 考虑了词语在文档中的重要性。
   - **缺点**: 仍然忽略了词序和语义信息。

### 3. **Word2Vec**
   - **原理**: 通过神经网络模型将词语映射到高维向量空间，然后计算词语向量之间的余弦相似度。
   - **优点**: 捕捉词语的语义信息。
   - **缺点**: 需要大量语料训练，且无法直接处理短语或句子。

### 4. **Doc2Vec**
   - **原理**: 类似于Word2Vec，但用于处理整个文档或句子，生成文档或句子的向量表示。
   - **优点**: 能够处理整个文档或句子，捕捉上下文信息。
   - **缺点**: 需要大量语料训练。

### 5. **GloVe（Global Vectors for Word Representation）**
   - **原理**: 结合全局统计信息和局部上下文信息，生成词语的向量表示。
   - **优点**: 在捕捉词语语义方面表现良好。
   - **缺点**: 需要大量语料训练。

### 6. **BERT（Bidirectional Encoder Representations from Transformers）**
   - **原理**: 使用Transformer模型，生成上下文相关的词向量表示，然后通过模型输出的向量计算相似度。
   - **优点**: 能够捕捉复杂的上下文信息，适用于多种NLP任务。
   - **缺点**: 计算复杂度高，需要大量计算资源。

### 7. **Sentence-BERT**
   - **原理**: 基于BERT，专门用于生成句子的向量表示，然后计算句子之间的余弦相似度。
   - **优点**: 在句子级别的语义相似度计算上表现优异。
   - **缺点**: 计算复杂度高。

### 8. **Siamese Networks**
   - **原理**: 使用共享权重的神经网络，输入两个文本，输出它们的相似度。
   - **优点**: 可以自定义相似度计算方式，适用于特定任务。
   - **缺点**: 需要大量标注数据进行训练。

### 9. **Jaccard相似度**
   - **原理**: 计算两个文本集合的交集与并集的比值。
   - **优点**: 简单易实现。
   - **缺点**: 忽略了词频和语义信息。

### 10. **编辑距离（Levenshtein Distance）**
   - **原理**: 计算将一个字符串转换为另一个字符串所需的最少编辑操作次数。
   - **优点**: 适用于字符串相似度计算。
   - **缺点**: 忽略了语义信息。

### 11. **基于知识图谱的方法**
   - **原理**: 利用知识图谱中的实体和关系，计算文本之间的语义相似度。
   - **优点**: 能够捕捉实体间的语义关系。
   - **缺点**: 需要构建和维护知识图谱。

### 12. **基于深度学习的方法**
   - **原理**: 使用深度神经网络（如LSTM、GRU、Transformer等）生成文本的向量表示，然后计算相似度。
   - **优点**: 能够捕捉复杂的语义信息。
   - **缺点**: 计算复杂度高，需要大量数据和计算资源。

### 总结
- **简单任务**: 可以选择基于词袋模型、TF-IDF、Jaccard相似度等简单方法。
- **复杂任务**: 建议使用深度学习方法，如BERT、Sentence-BERT等，以捕捉更复杂的语义信息。

选择合适的方法需要根据具体的应用场景、数据量、计算资源等因素综合考虑。

本文提供一种新的方法，主要因为在实际使用中大部分方法的准确率存在问题，如：TF-IDF准确率太低，值偏低，Sentence-BERT的值偏高，且不准确。本尝试使用大模型来计算语义相似度。

具体代码如下：

import requests
import json
import time
def get_simi(param1, param2):
    start=time.time()
    user_input=f"计算'{param1}'和'{param2}'的语义相似度，直接给出0-1之间的数值，以JSON格式输出，key为similarity."
    data = {
        "model": "qwen2.5",
        "messages": [{"role": "user", "content": user_input}],
        "stream": False,
        "options": {"seed": 42, "temperature":0}
    }
    response = requests.post('http://172.17.0.7:11434/api/chat', json=data)
    res = response.json()
    result = res['message']['content']
    result = json.loads(result.replace('```json\n','').replace('```',''))['similarity']
    print('use:', time.time()-start)
    return result

结果如下：