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。

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：

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：

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。

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。

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：

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。

Cosine Similarity 和余弦相似度是一个概念吗？

是。Cosine Similarity 通常译为余弦相似度，用两个向量夹角的余弦值来衡量它们的相似程度。

余弦相似度为什么不直接比较向量长度？

余弦相似度等于 1 代表什么？

余弦相似度适合哪些场景？

计算余弦相似度时为什么常说要用非零向量？