【AI知识点】余弦相似度（Cosine Similarity）

【AI论文解读】【AI知识点】【AI小项目】【AI战略思考】

---

余弦相似度（Cosine Similarity）是一种用于衡量两个向量在方向上的相似程度的指标。它主要用于文本分析、自然语言处理（NLP）、推荐系统等任务中，能够衡量两个向量之间的相似性，而不受向量的长度（模）影响。

可对比 点积相似性（dot-product similarity）来学习

1. 余弦相似度的定义

余弦相似度通过计算两个向量之间的夹角的余弦值，来表示它们在向量空间中的相似性。数学上，两个向量的余弦相似度可以表示为：

$$\cos \theta =\frac{\mathbf{A}\cdot \mathbf{B}}{||\mathbf{A}||\cdot ||\mathbf{B}||}$$

其中：

• $\mathbf{A}\cdot \mathbf{B}$ 表示两个向量的点积。
• $||\mathbf{A}||$ 和 $||\mathbf{B}||$ 分别表示向量 $\mathbf{A}$ 和 $\mathbf{B}$ 的模（即向量的长度）。
• $\theta$ 是两个向量之间的夹角。

余弦相似度的值范围在 $[-1,1]$ 之间：

• 1：表示两个向量的方向完全相同，夹角为0度（最大相似性）。
• 0：表示两个向量正交，夹角为90度（完全不相关）。
• -1：表示两个向量的方向完全相反，夹角为180度（完全不相似甚至是反相似，或者说完全对立，实际情况很少见）。

---

2. 余弦相似度的计算步骤

假设我们有两个向量 $\mathbf{A}=(A_1,A_2,\dots ,A_n)$ 和 $\mathbf{B}=(B_1,B_2,\dots ,B_n)$，它们的余弦相似度的计算步骤如下：

1. 计算点积：
   点积（又称内积）是两个向量对应元素的乘积之和。公式为：
   $$\mathbf{A}\cdot \mathbf{B}=A_1\times B_1+A_2\times B_2+\cdots$$