余弦相似度

Cosine Similarity

用两个向量夹角的余弦值衡量语义相近程度,向量检索的默认度量。

又称 Cosine Similarity 余弦距离 向量夹角

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

01 详细解释

值域 -1 到 1,越接近 1 表示方向越一致。它只比方向、不比长度,所以对文本长度相对不敏感,成为 embedding 检索里最常用的打分方式。

但「相似」不等于「相关」:一句反问句可能在向量空间里离答案很近,却完全答非所问。这也是为什么重排模型和关键词检索仍然必要。

✦举个例子

「怎么退款」和「退款流程是什么」的向量夹角很小,余弦分接近 0.9。

✓实战提示

换 embedding 模型后分数分布会整体偏移,阈值要重新标定,不能直接沿用旧值。

02 什么时候会碰到它
要让模型按你的资料回答时

答得准不准,八成功夫不在模型,而在切片、召回、重排与引用。这条链路任何一环偷懒,都会变成「检索到了但答非所问」。

03 和这几个词怎么区分
04 接着读这几篇

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活