高等数学 / 系统课时

计算向量长度与相似程度

计算向量长度与相似程度

把对象写成向量后,最常见的问题是比较“有多大”和“有多像”。向量范数给出整体大小,点积把两个向量的分量结合起来,而夹角与余弦相似度进一步把方向关系变成可比较的数值。本篇把这几种量放到同一套几何直觉中理解。

学习目标

  • 使用二范数计算向量长度
  • 使用点积与夹角判断两个向量的方向关系
  • 理解余弦相似度与欧氏距离关注的差异

用范数衡量向量大小

对向量 x=(x1,x2,…,xn)\mathbf{x}=(x_1,x_2,\ldots,x_n),最常见的二范数为:

∥x∥2=x12+x22+⋯+xn2\|\mathbf{x}\|_2=\sqrt{x_1^2+x_2^2+\cdots+x_n^2}

它是勾股定理向多维空间的直接推广。二维向量 x=(3,4)\mathbf{x}=(3,4) 的长度为 32+42=5\sqrt{3^2+4^2}=5。如果向量表示速度,这个长度可以对应速率;如果表示一组信号样本,它则反映整组数值的总体幅度。

范数一定非负,只有零向量的长度为 0。把向量乘以 2,长度也会乘以 2,因此范数关注的是绝对大小,而不是单独的方向信息。

点积连接分量与方向

两个同维向量 x\mathbf{x} 和 y\mathbf{y} 的点积定义为:

x⋅y=x1y1+x2y2+⋯+xnyn\mathbf{x}\cdot\mathbf{y}=x_1y_1+x_2y_2+\cdots+x_ny_n

点积还有一个非常重要的几何形式:

x⋅y=∥x∥2∥y∥2cos⁡θ\mathbf{x}\cdot\mathbf{y}=\|\mathbf{x}\|_2\|\mathbf{y}\|_2\cos\theta

其中 θ\theta 是两个非零向量之间的夹角。点积为正,通常表示夹角小于 90∘90^\circ、方向较接近;点积为 0 表示两者正交;点积为负则表示方向总体相反。

范数点积与夹角的几何关系

从点积得到余弦相似度

将点积除以两个向量的长度,就得到余弦相似度:

cos_sim⁡(x,y)=x⋅y∥x∥2∥y∥2\operatorname{cos\_sim}(\mathbf{x},\mathbf{y})=\frac{\mathbf{x}\cdot\mathbf{y}}{\|\mathbf{x}\|_2\|\mathbf{y}\|_2}

对实数非零向量,它的取值位于 [−1,1][-1,1]。接近 1 表示方向接近,接近 0 表示近似正交,接近 -1 表示方向相反。由于长度被除掉,把某个向量整体放大通常不会改变余弦相似度。

例如 x=(3,4)\mathbf{x}=(3,4)、y=(4,0)\mathbf{y}=(4,0)。两者长度分别为 5 和 4,点积为 12,因此余弦相似度为 12/(5×4)=0.612/(5\times4)=0.6,对应夹角约为 53.1∘53.1^\circ。这个结果描述的是方向相似程度,而不是两个端点相距多远。

相似方向不等于距离很近

欧氏距离衡量两个向量端点之间的距离:

∥x−y∥2\|\mathbf{x}-\mathbf{y}\|_2

它和余弦相似度解决的问题不同。例如 (1,1)(1,1) 与 (100,100)(100,100) 方向完全相同,余弦相似度为 1,但两者的欧氏距离很大。如果数值大小本身重要,例如比较真实位置、金额或传感器读数,距离通常不能被忽略。

选择指标时可以抓住一个判断:**范数看单个向量有多大,点积同时受大小和方向影响,余弦相似度主要看方向,欧氏距离看两个端点相隔多远。**先明确业务上想比较的是大小、方向还是位置差异,再选择对应的计算方式。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

计算向量长度与相似程度

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通