内积为什么能表达向量之间的相关（似）性

最新推荐文章于 2025-04-29 15:32:57 发布
最新推荐文章于 2025-04-29 15:32:57 发布
阅读量474 收藏
点赞数 1
文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44881930/article/details/135989148
版权

引子

在使用向量内积代表相关性时，有一个前提：向量归一化到单位向量，本质是余弦距离。
在这里插入图片描述

论证

粗糙地想一下概率空间上的例子：
协方差的本质是内积。
标准差的本质是模长。
相关系数的本质是夹角余弦。
你感受一下内积是不是能描述相关性
在这里插入图片描述

推荐系统[九]项目技术细节讲解z3：向量检索技术与ANN搜索算法[KD树、Annoy、LSH局部哈希、PQ乘积量化、IVFPQ倒排乘积量化、HNSW层级图搜索等]，超级详细技术原理讲解
丨汀、的博客
03-09 1149
如何表达一个物品/元素?在现实世界中，我们认识和理解一个事物，总是会想办法捕捉它的一些特质或者属性。比如路边一朵红色的野花，那么仅从颜色这个维度，我们可以使用离散的0，1来表达。如 【1，0，0】 但仅从颜色描述是不够的，还有花的种类，气味，高度，用途等等。把所有的属性枚举出来，排列好位置，元素对应属性的位置点亮，那么一朵沁人心脾的红色梅花 = 【1，0，0，1，0，0，1，0】 上面分别就是 one-hot 与multi-hot的编码标识，在传统机器学习中比较常见。但这样会遇到几个问题:embedding
向量点乘（内积）和叉乘（外积、向量积）概念及几何意义解读
热门推荐
牧野的博客
09-02 92万+
向量是由n个实数组成的一个n行1列（n*1）或一个1行n列（1*n）的有序数组； 向量的点乘,也叫向量的内积、数量积，对两个向量执行点乘运算，就是对这两个向量对应位一一相乘之后求和的操作，点乘的结果是一个标量。 点乘公式 对于向量a和向量b：
【通俗理解线性代数】 -- 内积与相关
老马的程序人生
04-01 6774
本图文从向量内积的角度引出了概率论中的相关系数，说明向量内积是线性相似性的表征。
内积与相关
老马的程序人生
06-19 2617
内积与相关 内积可以简单的理解为两个函数的线性相似程度，内积值越大表示两个函数线性相似程度越大，内积为零表示完全不线性相似。而矩阵的转置运算，其实就是为了算内积而出现的。 内积和向量的夹角有着密切的联系。如果两个向量是共线的，那么它们的夹角就是0°0°0°或者180°180°180°。此时向量夹角余弦的绝对值就是1。反过来，通过计算向量之间的夹角余弦值，我们就能判断它们之间线性关系的强弱。 cosθ=<x,y>∣∣x∣∣×∣∣y∣∣ cos\theta=\frac{<x,y>}{||
线性代数基础【3】向量
吴名氏的博客
12-26 4万+
线性代数基础【3】向量
点乘和余弦相似度
chen的博客
10-22 1554
余弦相似度通常用于度量向量之间的夹角余弦值。其中，$A \cdot B$ 表示向量 $A$ 和 $B$ 的点乘，$\|A\|$ 和 $\|B\|$ 分别表示向量 $A$ 和 $B$ 的模（长度）。点乘也称为内积，是两个向量之间的数学运算，它将两个向量的对应元素相乘，并将结果相加。其中，$n$ 表示向量的维度，$A_i$ 和 $B_i$ 分别表示向量 $A$ 和 $B$ 中的第 $i$ 个元素。总之，点乘和余弦相似度都是用于度量向量之间相似性的有用工具，但它们关注的方面略有不同，适用于不同的应用领域。
向量相似度检索问题（近似近邻搜索算法ANN）
xiaochuideai的博客
06-20 2128
向量检索被广泛应用于图像相似度匹配，视觉检测等场景。此片文章是对GGNN论文中探索过程的简单记录。仅供大家参考，部分代码与自己的测试数据集格式有关。若有不明之处，望自琢。
向量与点积的奥秘：计算机图形学的数学连接
随后，深入分析了向量空间、矩阵与向量的关系，以及点积在向量投影中的作用。在实践应用方面，本文详细阐述了向量与点积在游戏开发、CAD技术和三维渲染中的具体运用，包括角度控制、力学模拟和光线追踪。最后，探讨...
语句的向量表示方法——单词向量组合…
wiy_dawn的博客
05-05 8161
目标：本文讨论单词向量的组合方式（composition of word vectors），一般指两个单词向量的组合方式，使得输出的新的向量能够表达组合后的短语的语义。 本文使用符号： u,v：普通的单词向量(u_1,u_2,u_3)和(v_1,v_2,v_3)； p:需要求出的目标短语的向量； R：一个表征语法关系的矩阵； K：世界知识等其他非单词语义、语法关系构成的信息； 词语组合的一些假
向量空间与数据压缩：线性代数技术原理的深度剖析
本文综述了线性代数在数据压缩领域的应用，首先回顾了向量空间和线性代数的基本概念。接着，深入探讨了线性代数技术如主成分分析（PCA）、奇异值分解（SVD）和矩阵分解在图像、音频和文本压缩中的实际应用。此外，...
线性代数基础8--正交与投影,最小二乘法的线性解释
pu_pupupupupu的博客
01-14 2854
1, 之前提到过四个基本子空间的维数,现在继续深入 行空间与0空间相互正交(交集只有0向量),列空间与左零空间也相互正交. 2, 两个向量正交,就等价于上面的公式.也可以说,做一个x与y的点乘. 以下是证明 这里x的转置×y与y的转置×x是相同的,因为点乘是一个数,所以一个数的转置任然是这个数.所以从向量的勾股定理得出这个结论. 并且0向量与任意向量都正交. 这是x向量与y向量正交的两种现象,一种是模,一种是点乘为0. 3,将正交的概念推广到空间. 如果说空间S与空间T相互正交,就是说S中的任意一
009 向量：定义、内积、相关性与线性表示及性质
段智华的博客
10-27 2001
009 向量：定义、内积、相关性与线性表示及性质
①协方差、相关系数（皮尔逊相关系数），等同于：内积、余弦值。
jingtingxu369的博客
12-23 1万+
数学公式： 两个向量（x1,x2,x3）(y1,y2,y3) 求内积a・b  =        cos a, b> |a| |b|         = x1*y1+x2*y2+x3*y3 ========================================== 有两个向量，我们希望定义它们是不是相关。一个很自然的想法，用向量与向量的夹角来作为距离的定义，夹角小，
向量点积衡量相似度_word2vec训练得到的词向量，为什么用cos 而不是 内积 衡量相似度?...
weixin_33358099的博客
02-05 1042
并不是说一定要用cos或者内积作为相似度度量方式。我们可以注意到训练时使用内积作为相似度是因为这样可以保留词的频率信息。简单证明：假设非常理想的情况下，词向量初始化为0，词“test”在语料A中出现了1次，在语料B中出现了10次，并且每次出现的上下文完全相同。那么我们得到在A中进行一步训练得到的梯度是 ，相应地在B中累积十步训练得到的梯度是 。那么在语料A中“test”的词向量为 ，在语料B中...
线性代数-向量空间
levin blog
09-09 5335
线性代数学习笔记向量空间 向量空间 向量空间的严格定义： 设 VVV 为一向量组，如果 VVV 非空，且 VVV 对于向量的加法以及数乘两种运算封闭，那么就称 VVV 为 向量空间。 所谓封闭，是指在 VVV 中向量进行数乘和加减，其结果依然在 VVV 中。具体的说，就是： 若 a∈V,b∈V,a \in V, b \in V,a∈V,b∈V, 则 a+b∈Va + b \in Va+b∈V 若 a∈V,k∈R,a \in V, k \in \mathbb{R},a∈V,k∈R, 则 ka∈Vka \i
机器学习基础 - 回归模型之线性回归
yousuotu的博客
04-25 822
简单来说，线性回归算法就是找到一条直线（一元线性回归）或一个平面（多元线性回归）能够根据输入的特征向量来更好的预测输出y的值。其本质含义在于 X 与 Y 是线性相关的。
AI编程案例拆解|基于机器学习XX评分系统-后端篇
qq_42320804的博客
04-26 747
AI编程案例拆解|基于机器学习XX评分系统-后端篇
机器学习的基本概念
搏博的专栏
04-26 1381
在这一阶段中，符号学习的研究也取得了很大进展，它与连接学习各有所长，具有较大的互补性。1980年他在卡内基-梅隆大学召开的机器学习研讨会上做了“为什么机器应该学习”的发言，在此发言中他把学习定义为：学习是系统中的任何改进，这种改进使得系统在重复同样的工作或进行类似的工作时，能完成得更好。在20世纪80年代，由于对智能机器人的研究取得了一定的进展，同时又出现了一些发现系统，于是人们开始把学习看作是从感性知识到理性知识的认识过程，从表层知识到深层知识的特化过程，即发现事物规律、形成理论的过程。
【动态导通电阻】GaN功率器件中动态导通电阻退化的机制、表征及建模方法
最新发布
荷塘阅色
04-29 169
研究目的：鉴于动态RON退化对GaN功率器件性能的显著影响，本文旨在全面综述和讨论GaN功率器件中动态RON退化的机制、表征方法、建模技术以及解决方案，以期为GaN功率器件的设计、优化和应用提供理论指导和实践参考。内容概述：文章首先分析了缓冲层陷阱和栅极不稳定导致动态RON退化的物理机制，并通过物理基础的TCAD模拟与高压背栅测量结果进行对比，揭示缓冲层陷阱的充电/放电过程如何影响动态RON。接着，讨论了不同GaN器件技术中栅极不稳定引起的动态RON增加以及栅极过驱动的作用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值