Cosine Similarity 原理详解：向量相似度入门
Cosine Similarity 是用向量夹角余弦值衡量相似度的方法。它关注方向而非长度，适合理解文本相似度、推荐系统相似匹配，以及高维数据中的方向比较。
什么是 Cosine Similarity？
Cosine Similarity 通常译为余弦相似度，是一种根据两个数据点或向量所指方向判断相似程度的方法。它也常被解释为：测量两个非零向量夹角的余弦值，并用这个值表示向量之间的相似性。
在实际任务中，文本、用户、物品或资料点通常需要先被表示成向量。只有当对象处在同一个向量空间中，才可以进一步讨论它们的方向是否接近、相似度是否较高。
要点： 余弦相似度比较的是“方向是否相近”，不是直接比较两个对象的原始内容，也不是只看数值大小。
余弦相似度为什么看方向而不是长度？
余弦相似度的核心特点是关注向量方向，而不是向量的长度或大小。也就是说，两个向量即使长度不同，只要它们在空间中的指向接近，也可能被认为具有较高相似性。
可以用一个简单类比理解：两个人走路的步幅可能不同，但如果前进方向几乎一致，就可以说他们的行动方向相近。对应到向量空间中，长度更像规模或强度，方向则更接近“模式”“语义”或“偏好”的相近程度。
这种方向视角在高维空间中尤其常见。对于高维数据，传统基于距离的度量有时难以发挥理想效果，因此余弦相似度常被作为衡量相似性的可选方法。
向量夹角余弦值如何表示相似程度？
余弦相似度通过两个向量夹角的余弦值来表达相似程度。夹角越小，两个向量方向越接近；当两个向量夹角为 0 度时，余弦值为 1，表示方向完全一致。
从取值范围看，余弦值最大不超过 1，最小值为 -1。可以先用下面的表格建立直觉：
| 余弦值 | 向量方向关系 | 基本含义 |
|---|---|---|
| 1 | 夹角为 0 度 | 方向完全一致，相似度达到该度量下的最大值 |
| 接近 1 | 方向接近 | 两个向量在方向上较相似 |
| 接近 -1 | 方向相反 | 两个向量方向差异较大 |
需要注意的是，分数本身只说明向量方向关系。它是否足以判断两个对象“相似”，还要结合向量如何构造以及具体业务场景。
余弦相似度的常见计算思路
余弦相似度的常见公式表达是：两个向量的点积，除以两个向量长度的乘积。
用 A 和 B 表示两个向量时，可以写成：cos(θ) = A·B / (||A|| × ||B||)。其中，θ 表示两个向量之间的夹角。
这个公式可以拆成三个部分理解：
| 组成部分 | 含义 | 在相似度计算中的作用 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 点积 A·B | 两个向量对应维度相乘后求和 | 反映两个向量在方向上的共同变化 | ||||||||
| 向量长度 | A | 、 | B | 向量自身的大小 | 用于消除单纯长度差异的影响 | |||||
| 除以长度乘积 | 对点积进行归一化 | 将比较重点转向方向是否接近 |
余弦相似度通常用于两个非零向量之间，因为它衡量的是向量夹角的余弦值。如果向量没有有效方向，就不适合直接用夹角来解释相似程度。
余弦相似度和距离度量有什么区别？
余弦相似度与距离度量的差异，主要在于比较目标不同。余弦相似度更关注方向相近程度，而常见距离度量通常更关注点与点之间的远近。
| 对比维度 | 余弦相似度 | 距离度量 |
|---|---|---|
| 关注对象 | 向量方向是否接近 | 数据点之间的空间距离 |
| 是否强调长度 | 不直接以长度或大小作为核心判断依据 | 往往会受到坐标差异和距离大小影响 |
| 高维空间中的使用理由 | 可用于方向相似性判断 | 在高维空间中，传统基于距离的度量可能难以奏效 |
| 典型任务 | 文本相似度、文档相似性、推荐匹配 | 需要直接衡量空间远近的任务 |
这并不意味着余弦相似度一定优于距离度量。更准确的理解是：当任务更关心“模式是否一致”或“方向是否相近”时，余弦相似度更容易成为候选方法；当任务更关心绝对位置或数值距离时，距离度量仍可能更合适。
余弦相似度常见应用场景
余弦相似度常用于评估文本或资料点之间的相似程度，也常见于文本挖掘和推荐系统。它的使用前提通常是：先把对象转换为向量，再比较向量方向。
| 场景 | 用户需求 | 解决方式 | 可得到的结果 |
|---|---|---|---|
| 文本相似度 | 判断两段文本或两个资料点是否相近 | 将文本表示为向量后计算余弦相似度 | 得到方向层面的相似性分数 |
| 文本挖掘 | 度量文档之间的相似性 | 比较文档向量的夹角余弦值 | 辅助相近内容发现、聚类或检索理解 |
| 推荐系统 | 判断用户、物品或文档之间是否相似 | 用向量表示对象，再计算相似度 | 支持相似用户、相似物品或相似内容匹配 |
在这些场景中，余弦相似度本身只负责度量相似性。最终如何设置阈值、如何排序、如何解释结果，仍需要结合向量表示方式和具体任务目标。
理解余弦相似度结果时需要注意什么？
余弦相似度反映的是方向相似，不直接等同于数量规模接近。两个向量长度差异明显时，只要方向接近，仍可能得到较高相似度；反过来，长度相近也不必然意味着方向相似。
解读分数时可以遵循三个原则：
- 先看取值范围： 余弦值不大于 1，最小值为 -1，1 表示方向完全一致。
- 再看向量表示： 同一个分数在不同向量构造方式下，含义可能不同。
- 最后看业务场景： 文本相似度、推荐系统相似度和资料点相似度，对“足够相似”的判断标准可能不同。
要点： 余弦相似度是一个相似性度量，不是完整的业务判断规则。它适合回答“向量方向是否接近”，但最终结论应结合任务目标和数据表示方式。
原文链接：https://www.qianwenai.com/discover/what-is-cosine-similarity
