一眼看穿相似度：余弦相似度原理详解
前言
在上一篇《手把手实现文本向量数据库》中，我们用余弦相似度来判断两段文字是否相似。但有一个关键问题没讲清楚：
为什么用一个数学公式就能判断"语义是否相似"？
这篇文章，我们专门聊聊余弦相似度背后的原理。
读完这篇，你就明白：
- 余弦相似度是怎么算的
- 为什么它适合判断文本相似度
- 为什么不用正弦或其他方法
一、先说个直观的例子
还记得我们知识库里的两句话吗：
句子A："阿尔忒弥斯2号是美国宇航局计划中的载人月球轨道飞行任务" 句子B："该任务将使用太空发射系统火箭和猎户座飞船"用户问：“月球任务是什么？”
你觉得哪句话更相关？
肯定是句子A对吧？因为A里有"月球"、"任务"这些词。
电脑也是这么想的。但它不会"感觉"，它只会"算"。
二、把句子变成数字
我们用词汇表把句子变成一串数字：
词汇表：阿尔忒弥斯、月球、任务、宇航员、火箭、飞船、测试、系统、飞行、轨道句子A出现了哪些词？数一数：
"阿尔忒弥斯2号是...载人月球轨道飞行任务" → 阿尔忒弥斯(1)、月球(1)、任务(1)、飞行(1)、轨道(1) 向量A = [1, 1, 1, 0, 0, 0, 0, 0, 1, 1]句子B出现了哪些词？
"该任务将使用太空发射系统火箭和猎户座飞船" → 任务(1)、火箭(1)、飞船(1)、系统(1) 向量B = [0, 0, 1, 0, 1, 1, 0, 1, 0, 0]现在两句话都变成数字了：
阿尔忒弥斯 月球 任务 宇航员 火箭 飞船 测试 系统 飞行 轨道 句子A： 1 1 1 0 0 0 0 0 1 1 句子B： 0 0 1 0 1 1 0 1 0 0三、怎么算"像不像"？
方法一：直接比差距
把两个向量减一减，看差多少：
差距 = |1-0| + |1-0| + |1-1| + ... = 1+1+0+0+1+1+0+1+1+1 = 7差距是7，看起来不太像？
但问题是：如果一个句子很长，出现很多词，另一个很短，差距就大了。可它们可能说的都是同一件事！
方法二：看"方向"像不像
我们换个思路：不管句子长短，只看"主要讲啥"。
想象一下，站在操场中央：
- 句子A往"月球方向"走
- 句子B往"火箭方向"走
走的方向不一样，所以不像。
但如果：
- 句子A说：“月球任务月球任务”（"月球"出现2次，"任务"出现2次）
- 句子B说：“月球任务”
方向是一样的！都是往"月球任务"方向走。
这就是余弦相似度的核心思想：
方向一致 = 内容相似
四、用直角坐标系来理解
还记得学校里学的直角坐标系吗？画个十字，横轴竖轴。
我们把词汇表简化一下，只看两个词：月球、火箭
句子A："月球任务" → 月球(1)，火箭(0) 句子B："火箭发射" → 月球(0)，火箭(1) 句子C："月球火箭" → 月球(1)，火箭(1)画在坐标系里：
Y轴（火箭） ↑ | ● 句子B（月球0，火箭1） | | | ● 句子C（月球1，火箭1） | / | / -----●--------/----→ X轴（月球） | / | / | ● 句子A（月球1，火箭0） |从原点（0,0）到每个点画一条线：
- 句子A往右走（月球方向）
- 句子B往上走（火箭方向）
- 句子C往右上方走（两个都有）
夹角越小 = 方向越像 = 内容越像
五、余弦是啥？为啥能判断像不像？
先记住这个规律
角度 余弦值 意思 0° → 1.0 完全一样 45° → 0.7 很像 60° → 0.5 有点像 90° → 0 完全不同结论：余弦值越接近1，越像！
有人问：为什么不用正弦？
好问题！我们来对比一下：
角度 余弦值 正弦值 哪个更合理？ 0° → 1.0 0.0 余弦：完全一样 ✅ 正弦：？？？ 45° → 0.7 0.7 一样 90° → 0.0 1.0 余弦：完全不同 ✅ 正弦：完全一样？❌ 180° → -1.0 0.0 余弦：完全相反 ✅ 正弦：和0°一样？❌正弦有两个大问题：
问题一：方向相反也算"一样"？
- 两个句子意思完全相反（夹角180°）
- 正弦值 = 0
- 和夹角0°（意思完全相同）的正弦值一样！
- 没法区分"相同"和"相反"
问题二：直觉反了
- 我们希望：越相似 → 数值越大
- 正弦：θ=0°（相同）→ sin=0（最小值）
- 这让人很难理解
余弦刚刚好：
- 相同方向（0°）→ cos=1（最大）→ 相似度最高 ✅
- 垂直方向（90°）→ cos=0 → 完全无关
- 相反方向（180°）→ cos=-1 → 完全相反
六、实际计算演示
用户问：“月球任务是什么？”
先算用户问题的向量：
"月球任务" → 月球(1)，任务(1) 问句向量 = [0, 1, 1, 0, 0, 0, 0, 0, 0, 0] （为了简化，只标出非0的位置）然后和知识库里的句子比一比：
和句子A比：
问句向量 = [0, 1, 1, 0, 0, 0, 0, 0, 0, 0] 句子A = [1, 1, 1, 0, 0, 0, 0, 0, 1, 1] ↑ ↑ ↑ ↑ ↑ | | | | | 阿尔忒弥斯 月球 任务 ... 飞行 轨道 第一步：算乘积之和（把对应位置乘起来，再加到一起） = 0×1 + 1×1 + 1×1 + 0×0 + ... = 0 + 1 + 1 + 0 + 0 + 0 + 0 + 0 + 0 + 0 = 2 ← 这个2代表：问句和句子A有2个词是"重叠"的（月球、任务） 第二步：算各自的"长度" 问句长度 = √(0² + 1² + 1² + 0² + ...) = √2 ≈ 1.41 ↑ 这个√2里的2代表：问句有2个词（月球、任务） 句子A长度 = √(1² + 1² + 1² + 0² + 0² + 0² + 0² + 0² + 1² + 1²) = √4 = 2 ↑ 这个2代表：句子A有4个"1"，开根号后等于2 第三步：算相似度 2（乘积之和：共同词的数量） 相似度 = ─────────────────────────── = 2 / 2.82 ≈ 0.71 1.41 × 2（两个向量的长度相乘） ↑ ↑ | └── 句子A的长度 └── 问句的长度和句子B比：
问句向量 = [0, 1, 1, 0, 0, 0, 0, 0, 0, 0] 句子B = [0, 0, 1, 0, 1, 1, 0, 1, 0, 0] 乘积之和 = 0×0 + 1×0 + 1×1 + ... = 1 问句长度 = 1.41 句子B长度 = √(0+0+1+0+1+1+0+1+0+0) = √3 ≈ 1.73 相似度 = 1 / (1.41 × 1.73) ≈ 0.41结果对比：
句子A相似度 = 0.71 ← 更像！ 句子B相似度 = 0.41对！句子A确实更相关，因为它有"月球"和"任务"两个词都匹配上了。
七、为什么这个方法好？
好处一：不怕句子长短
句子长了，词就多，向量里的数字就大。但没关系！
"月球月球月球" → 向量 [0, 3, 0, ...] "月球" → 向量 [0, 1, 0, ...] 相似度 = 1.0（完全一样！）因为余弦相似度只看"方向"，不看"长度"。两个句子都在讲月球，方向一致！
好处二：结果好理解
相似度 意思 0.9+ 几乎一样 0.7-0.9 非常相关 0.5-0.7 比较相关 0.3-0.5 有点关系 0-0.3 基本无关就像考试打分，一眼就看懂。
好处三：能理解"意思相近"的词
知识库里写的是"执行"，用户问的是"发射"：
知识库："任务计划在2025年执行" 用户问："什么时候发射？"虽然词不一样，但"执行"和"发射"都会出现在相似的句子里，所以向量方向会接近，余弦相似度就会高。
这就是语义理解！
八、公式总结
完整公式
余弦相似度 = cos(θ) = (A · B) / (|A| × |B|) 其中： - A · B = a₁×b₁ + a₂×b₂ + ... + aₙ×bₙ （点积：对应位置相乘再相加） - |A| = √(a₁² + a₂² + ... + aₙ²) （向量长度：各元素平方和开根号） - |B| = √(b₁² + b₂² + ... + bₙ²)三个步骤
第一步：算点积（共同词的数量） 第二步：算长度（各自有多少词） 第三步：点积除以长度乘积九、代码实现
// 计算余弦相似度（三个步骤）funccosineSimilarity(a,b[]float64)float64{// 第一步：算乘积之和dotProduct:=0.0fori:=rangea{dotProduct+=a[i]*b[i]}// 第二步：算各自的"长度"lengthA:=0.0lengthB:=0.0fori:=rangea{lengthA+=a[i]*a[i]lengthB+=b[i]*b[i]}lengthA=math.Sqrt(lengthA)lengthB=math.Sqrt(lengthB)// 第三步：相除得到相似度iflengthA==0||lengthB==0{return0// 防止除以0}returndotProduct/(lengthA*lengthB)}对照上面的步骤，一行行看就懂了！
十、总结
余弦相似度 = 看"方向"像不像，不看"长度"差多少
核心思想：
- 把文字变成一串数字（向量）
- 用余弦公式算相似度
- 结果越接近1，内容越像
为什么用余弦不用正弦：
- 余弦：相同→1，不同→0，相反→-1（直观！）
- 正弦：相同→0，不同→1（反了！）
系列文章：
- Go + Ollama 构建tinyRAG应用：Prompt提示工程
- 用阿尔忒弥斯2号讲透文本向量化
- 本文：一眼看穿相似度：余弦相似度原理详解
- 下一篇：手把手实现文本向量数据库（预告）
系列文章：
- Go + Ollama 构建tinyRAG应用：Prompt提示工程
- 用阿尔忒弥斯2号讲透文本向量化
- 本文：一眼看穿相似度：余弦相似度原理详解
- 手把手实现文本向量数据库
