余弦相似度计算公式详解：原理、推导与实战应用

什么是余弦相似度？

在数据科学、自然语言处理（NLP）以及推荐系统领域，余弦相似度计算公式（Cosine Similarity）是一个至关重要且被广泛使用的指标。它通过测量两个向量夹角的余弦值来评估它们之间的相似程度。与欧氏距离不同，余弦相似度关注的是向量在方向上的差异，而不是它们在空间中的绝对距离或长度。

想象一下，你有两篇关于同一主题但长度不同的文章。一篇很短，只提到了关键词；另一篇很长，详细阐述了细节。如果使用欧氏距离，长度差异可能会导致它们看起来不相似。然而，如果使用余弦相似度，由于它们的“主题方向”一致，计算出的相似度会很高。这就是为什么在文本挖掘中，余弦相似度是首选算法的原因。

余弦相似度计算公式推导

要深入理解余弦相似度，我们必须回到线性代数的基础。设A和B是两个非零向量，它们的夹角为θ。根据向量点积的定义，我们有以下关系：

由此，我们可以推导出余弦相似度计算公式：

其中：

• A · B 表示向量A和向量B的点积（Dot Product），即对应元素乘积之和：∑(A_i × B_i)。
• ||A|| 表示向量A的模（L2范数），即 √(∑A_i²)。
• ||B|| 表示向量B的模（L2范数），即 √(∑B_i²)。

计算步骤详解

为了更清晰地展示余弦相似度计算公式的应用，我们来看一个具体的例子。假设我们要比较两个用户的电影评分偏好。

步骤 1：计算点积 (A · B)

(5 × 4) + (4 × 3) + (3 × 2) = 20 + 12 + 6 = 38

步骤 2：计算模长 (||A|| 和 ||B||)

||A|| = √(5² + 4² + 3²) = √(25 + 16 + 9) = √50 ≈ 7.07

||B|| = √(4² + 3² + 2²) = √(16 + 9 + 4) = √29 ≈ 5.39

步骤 3：代入公式

Cos(θ) = 38 / (7.07 × 5.39) ≈ 38 / 38.11 ≈ 0.997

结果表明，用户A和用户B的评分偏好具有极高的余弦相似度（接近1），尽管用户B的绝对评分略低，但他们的相对偏好趋势几乎一致。

Python 实现余弦相似度

在现代数据处理中，我们很少手动计算余弦相似度计算公式。Python 提供了强大的库来简化这一过程。以下是使用 scikit-learn 和 numpy 两种方式的实现代码。

from sklearn.metrics.pairwise import cosine_similarity
import numpy as np
定义两个向量
vector_a = np.array([[5, 4, 3]])
vector_b = np.array([[4, 3, 2]])
计算余弦相似度
similarity = cosine_similarity(vector_a, vector_b)
print(f"余弦相似度结果: {similarity[0][0]:.4f}")

import numpy as np
def cosine_similarity_numpy(a, b):
    # 计算点积
    dot_product = np.dot(a, b)
    # 计算模长
    norm_a = np.linalg.norm(a)
    norm_b = np.linalg.norm(b)
    # 避免除以零
    if norm_a == 0 or norm_b == 0:
        return 0
    return dot_product / (norm_a  norm_b)
a = np.array([5, 4, 3])
b = np.array([4, 3, 2])
print(f"余弦相似度结果: {cosine_similarity_numpy(a, b):.4f}")

import math
def cosine_similarity_math(a, b):
    dot_product = sum(x  y for x, y in zip(a, b))
    norm_a = math.sqrt(sum(x  2 for x in a))
    norm_b = math.sqrt(sum(x  2 for x in b))
    if norm_a == 0 or norm_b == 0:
        return 0
    return dot_product / (norm_a  norm_b)
a = [5, 4, 3]
b = [4, 3, 2]
print(f"余弦相似度结果: {cosine_similarity_math(a, b):.4f}")

余弦相似度的核心应用场景

余弦相似度的应用极其广泛，几乎涵盖了所有涉及向量空间模型（VSM）的领域。以下是几个最典型的应用场景：

1. 文本挖掘与搜索引擎

在搜索引擎中，查询词和文档都可以被表示为高维向量（例如使用 TF-IDF 或 Word2Vec 嵌入）。余弦相似度用于计算查询词向量与文档向量之间的夹角余弦值，从而对文档进行相关性排序。即使文档长度各异，只要关键词分布方向一致，就能获得高相似度得分。

2. 推荐系统

在基于内容的推荐系统（Content-Based Filtering）中，物品（如电影、商品）被提取特征向量。通过计算用户历史偏好向量与候选物品向量之间的余弦相似度，系统可以推荐用户可能感兴趣的新物品。此外，在协同过滤中，它也被用于计算用户或物品之间的相似度矩阵。

3. 图像识别与检索

现代图像识别技术（如 CNN 提取的特征）将图像映射到高维向量空间。当用户上传一张照片时，系统计算该照片向量与数据库中所有照片向量的余弦相似度，从而找到最相似的图像。这种方法对光照和尺度的变化具有一定的鲁棒性。

余弦相似度 vs 欧氏距离 vs Jaccard 系数

许多用户在搜索余弦相似度计算公式时，也会混淆它与其他相似度度量方法。理解它们的区别对于正确选择算法至关重要。

关键洞察：如果你在处理文本数据，通常优先选择余弦相似度，因为文档长度差异大；如果你在处理用户评分数据，且用户评分习惯不同（有的打分高，有的打分低），余弦相似度也能更好地捕捉偏好趋势，而欧氏距离可能会因为评分尺度的不同而误判。

网友还关心：关于余弦相似度的常见问题

在深入学习了余弦相似度计算公式后，很多开发者和技术爱好者还会关注以下进阶问题。我们整理了这些高频疑问并提供了深度解答。

说在最后的话

余弦相似度计算公式是数据科学中不可或缺的工具。它以其对方向敏感、对长度不敏感的特性，在文本挖掘、推荐系统和图像检索等领域发挥着核心作用。掌握其数学原理、熟练运用 Python 库进行计算，并根据具体场景选择合适的相似度度量方法（如对比欧氏距离和 Jaccard 系数），是每位数据科学家和工程师的基本功。

在实际应用中，建议先对数据进行预处理（如 TF-IDF 向量化、归一化等），再应用余弦相似度算法，以获得最准确的结果。对于大规模数据，务必考虑使用近似搜索算法以优化性能。