Zubnet AIAprenderWiki › Cosine Similarity
Fundamentos

Cosine Similarity

Cosine Distance, Vector Similarity
Uma medida de similaridade entre dois vetores baseada no ângulo entre eles, ignorando suas magnitudes. Uma cosine similarity de 1 significa que os vetores apontam na mesma direção (significado idêntico). 0 significa que são perpendiculares (não relacionados). -1 significa direções opostas. É a métrica de similaridade padrão para comparar embeddings de texto em busca semântica, RAG e sistemas de recomendação.

Por que importa

Toda vez que você faz busca semântica, usa RAG ou compara embeddings, cosine similarity é (provavelmente) a métrica decidindo o que é “similar”. Entendê-la te ajuda a debugar qualidade de retrieval, escolher entre cosine e alternativas (dot product, distância euclidiana), e entender por que algumas buscas perdem correspondências óbvias.

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.

Conceitos relacionados

← Todos os termos
← Corpus Cross-Attention →