用余弦距离表示向量之间的相似度

很多深度学习的应用里用余弦距离来表示特征向量之间的相似度。这怎么弄呢？

首先人为制造一个定义：两个向量的夹角越小，则两个向量越相似。

夹角可以通过 $\text{cosin}$ 函数来算：$$\cos (\theta )=\frac{\vec{a}\cdot \vec{b}}{|\vec{a}||\vec{b}|}$$

先对 $\vec{a}$ 和 $\vec{b}$ 归一化之后再算也是一样的。
设 $\vec{a}$ 归一化后为 $a\text{a}a$， $\vec{b}$ 归一化后为 $b\text{b}b$。
则 $\cos (\theta )=a\text{a}a\cdot b\text{b}b$。

假设 $\theta \in [0,\pi ]$，则 $\cos (\theta )$ 在这个区间是单调递减的。

所以夹角 $\theta$ 越大，越不相似。
即 $\cos (\theta )$ 越小，越不相似。

这种反着看不直观，令 $d=1-a\text{a}a\cdot b\text{b}b$，则夹角越大，$d$ 越大。

所以可以直接用 $d$ 来表示余弦距离。