采用bert as service 或者bert4keras封装包输出向量做相似度分析，效果并不太好，目前认为是没有进行模型训练的原因，请问这个具体原因是什么啊？怎么可以提高改善这个效果？
BERT 是一种预训练语言模型，它的预训练目标是使用大量的未标记的文本数据来训练出语言表达能力更强的表示。但是，BERT 并不是一个直接用于文本相似度计算的模型，需要经过微调或 fine-tuning 才能达到较好的效果。因此，如果使用 BERT 的预训练模型进行文本相似度计算时，可能需要对模型进行微调才能得到更好的效果。
具体来说，可以考虑以下两个方面来改善效果：
1、微调 BERT 模型：在使用 BERT 进行文本相似度计算时，可以针对具体任务对 BERT 模型进行微调，以提高其在该任务上的表现。微调的过程包括将任务特定的数据输入到 BERT 模型中，并在一定数量的训练轮次中对模型参数进行调整，以获得更好的相似度计算效果。
2、使用更好的相似度计算方法：在微调 BERT 模型之前，也可以考虑使用更好的相似度计算方法来获得更好的初始效果。例如，可以使用传统的词袋模型、TF-IDF 模型、word2vec 模型等方法对文本进行表示，并使用余弦相似度或欧氏距离等指标计算文本之间的相似度。这些方法虽然不能像 BERT 模型那样获得语义层面的表示，但是它们计算速度快，适用于一些简单的文本相似度任务。
综上所述，要提高采用 BERT 进行文本相似度计算的效果，需要综合考虑微调 BERT 模型和使用更好的相似度计算方法。