Cosine Similarity

为什么需要 Cosine Similarity

Embedding 把文本变成了向量，但你拿到两个向量后怎么判断它们"有多像"？

比如向量 A = [0.8, 0.2, 0.5]，向量 B = [0.7, 0.3, 0.4]，这算像还是不像？直接比大小会很麻烦——不同维度的数值量级可能差很远。

Cosine Similarity 就是解决"怎么量化向量之间的相似度"这个问题的。

什么是 Cosine Similarity

一句话定义：Cosine Similarity（余弦相似度）是衡量两个向量"方向有多接近"的指标，值越接近 1 表示越相似。

它为什么叫"余弦"？因为它的计算方式等价于计算两个向量夹角的余弦值。

类比：两个向量就像两个指向不同方向的箭头，余弦相似度看的是这两个箭头有多"指向同一个方向"：

• 完全指向同一个方向 → 余弦值 = 1
• 垂直 → 余弦值 = 0
• 完全相反 → 余弦值 = -1

在 Embedding 场景里，"指向同一个方向" = "语义相近"。

怎么做：什么时候用 Cosine Similarity

适合用 Cosine Similarity 的场景：

• 语义搜索排序：按相似度高低返回文档
• 相似文本匹配：找重复内容、近似问题、相似商品
• 向量聚类：按语义相似程度分组

不适合用 Cosine Similarity 的场景：

• 精确 ID、订单号、人名匹配——这些更适合关键词检索
• 向量不是用来表示语义的时候（比如用于其他目的的向量）

常见坑：

• 相似度高不等于答案对：只代表语义接近，内容本身可能有问题
• 分数差一点有关系：在排序边界附近，微小差异也可能影响 Top 结果

记住这一句：Cosine Similarity 衡量的是向量"方向"有多接近，而不是"大小"有多接近——在 Embedding 场景里，方向接近 = 语义相近。

相关词条：Embedding · Vector Database