Zubnet AIApprendreWiki › Cosine Similarity
Fondamentaux

Cosine Similarity

Cosine Distance, Vector Similarity
Une mesure de similarité entre deux vecteurs basée sur l'angle entre eux, ignorant leur magnitude. Une cosine similarity de 1 veut dire que les vecteurs pointent dans la même direction (sens identique). 0 veut dire qu'ils sont perpendiculaires (pas reliés). -1 veut dire directions opposées. C'est la métrique de similarité standard pour comparer les embeddings de texte en recherche sémantique, RAG et systèmes de recommandation.

Pourquoi c'est important

Chaque fois que tu fais de la recherche sémantique, utilises le RAG ou compares des embeddings, la cosine similarity est (probablement) la métrique qui décide ce qui est « similaire ». La comprendre t'aide à déboguer la qualité de retrieval, choisir entre la cosine et les alternatives (dot product, distance euclidienne) et comprendre pourquoi certaines recherches manquent des matches évidents.

Deep Dive

The formula: cos(θ) = (A · B) / (||A|| × ||B||), where A · B is the dot product and ||A||, ||B|| are the vector magnitudes (lengths). By dividing by magnitudes, cosine similarity measures direction only — a vector [1, 2, 3] is identical in cosine similarity to [2, 4, 6] because they point the same way. This normalization is why cosine works well for embeddings: the direction encodes meaning, while magnitude can vary based on text length or model quirks.

Cosine vs. Dot Product

If embeddings are already normalized to unit length (magnitude 1), cosine similarity equals the dot product — and dot product is faster to compute (no division). Most embedding models output normalized vectors for exactly this reason. When using a vector database, check whether your embeddings are normalized: if yes, use dot product (faster). If not, use cosine similarity (correct regardless of normalization).

Limitations

Cosine similarity treats all dimensions equally, but some embedding dimensions may be more important than others. It also measures overall direction similarity, which can miss nuanced differences. Two sentences about "Python programming" and "Python the snake" might have moderately high cosine similarity because they share the "Python" concept. More sophisticated similarity measures (learned metrics, cross-encoder reranking) can capture finer distinctions at higher computational cost.

Concepts liés

← Tous les termes
← Corpus Cross-Attention →