count = count1+count2-count_unimportant_union*10
这个10需要调参。因为我们TOPN取的是10，所以如果两个词完全相同，正常情况下会有22个非0值。
（
计算基础相似度，用来平衡长句子与短句子之间匹配的时候，短句子本身占有巨大的优势。
基础相似度代表了：如果两个句子，他们进行ONE-HOT映射之后，非零元素都不一样，且都为1，他们依然会有一个基本的相似度。这时的欧氏距离就是
(count1+count2)开根号，再进行相似度计算。对于一些不重要的词，再用基础相似度进行调整。
）
我们为了消除这两个词的相同时，他们在计算basesimilarity的时候会很有优势。
所以我们进行惩罚。如果取22，就相当于把这个词作为停用词去掉，我们也不希望这么极端，所以目前先取中间值10。后续看需求再调整。
k_weight = 0.6 # 可以修改，也可以再字典里添加权值
u_weight = 0.13 #本来是设为负数，发现如果这样的话，那不重要的词贡献的欧式距离就很少，会出现一个问题是如果一个问题只有不重要词，就很容易匹配到，所以调整为0.13（但是依然小于1）
如果加起来大于1，就是增加重要性，如果相加依然小于1，就是减小重要性。
并且，我们如果做两个句子的交集，这个交集跟非重要词再相交，发现有这个词，我们在计算基础相似度的时候，就进行一定的惩罚。
同理，我们也可以对重要词这么做，如果两个句子相交，再跟重要词相交，发现有这个词，我们就进行一定的鼓励。但是这个还不尝试，可能有未知的风险。因为不重要的词很少，风险可控，可是重要的词却很多。