简介

本文详细介绍了向量相似度计算这一AI核心技术，解释了淘宝推荐、抖音算法和微信支付背后的原理。文章深入剖析了四种经典相似度算法（余弦相似度、欧几里得距离、曼哈顿距离、点积相似度）的数学原理、代码实现和应用场景，强调了在不同应用场景中选择合适算法的重要性，帮助读者掌握现代AI系统的"感知能力"。

---

为什么淘宝总能推荐你想买的商品？为什么抖音刷到的视频总是你感兴趣的？为什么微信能通过人脸识别解锁支付？答案都指向同一个核心技术：向量相似度计算。

在AI的世界里，一切都是向量——你的购物偏好是向量，视频内容是向量，人脸特征也是向量。而向量相似度计算就是AI的"配对大师"，它通过数学方法判断这些向量之间的相似程度，从而实现推荐、搜索、识别等智能功能。

但要真正掌握向量相似度，必须理解两个核心问题：四种经典相似度算法的数学原理是什么？以及如何根据不同的数据特征和应用场景选择最合适的计算方法？

一、向量相似度

什么是向量相似度（Vector Similarity）？

简单说就是给两个向量的"相似程度"打分

• 用户A喜欢：[科幻片:0.9, 爱情片:0.2, 动作片:0.7]
• 用户B喜欢：[科幻片:0.8, 爱情片:0.1, 动作片:0.8]

相似度计算告诉我们：这两人口味很像，可以互相推荐电影

在深度学习中，一切都可以表示成向量

• 词语 → 词向量：[0.2, 0.8, -0.3, 0.5, …]
• 图片 → 特征向量：[像素值, 纹理特征, 语义特征, …]
• 用户 → 偏好向量：[兴趣1, 兴趣2, 兴趣3, …]

向量相似度就是在高维空间中找到"志同道合"的向量。

为什么需要向量相似度计算？

想象你在网易云音乐上听到一首超喜欢的歌，然后想找更多类似的歌曲。这时系统需要：

1. 分析这首歌的特征：节奏快慢、音乐风格、情感色彩、乐器使用

2. 在千万首歌曲中找到具有相似特征的作品

3. 按相似程度排序推荐给你

这就是向量相似度计算要解决的问题：在海量高维数据中快速找到最相关的对象。AI把每首歌的特征都转换成数字向量，然后通过数学计算找出最"合你口味"的音乐。

二、相似度算法

1. 余弦相似度：最受欢迎的"角度派"

核心思想：只看方向，不看大小

想象两个人都喜欢科幻电影，但A是轻度爱好者，B是重度发烧友。虽然喜欢程度不同，但方向一致，所以很相似。

数学公式：

cos(θ) = (A · B) / (||A|| × ||B||)

代码实现：

import numpy as np

算法特点：

• 取值范围：[-1, 1]
• 1 = 完全相似，-1 = 完全相反，0 = 毫无关系
• 不受向量长度影响，只关心"方向"

最适合场景：语义搜索、内容推荐、向量数据库

2. 欧几里得距离：最直观的"距离派"

核心思想：直线距离越近越相似

就像地图上两个城市的直线距离，越近越相似。

数学公式：

distance = √Σ(ai - bi)²

代码实现：

def euclidean_similarity(a, b):

算法特点：

• 直观易懂，几何意义清晰
• 对向量长度敏感
• 在高维空间中容易受"维度诅咒"影响

最适合场景：人脸识别、K-means聚类、图像检索

3. 曼哈顿距离：城市街区的"出租车派"

核心思想：像出租车在城市街区行驶，只能走直角路径

想象你要从一个街区走到另一个街区，不能斜着穿过建筑物，只能沿着街道直角前进。

数学公式：

distance = Σ|ai - bi|

代码实现：

def manhattan_similarity(a, b):

算法特点：

• 对异常值不敏感
• 计算简单
• 适合离散和稀疏数据

最适合场景：文本分类、标签匹配、异常检测

4. 点积相似度：最简单的"乘法派"

核心思想：直接相乘求和，简单粗暴

就像计算两个人共同兴趣的"重叠程度"。

数学公式：

similarity = A · B = Σ(ai × bi)

代码实现：

def dot_product_similarity(a, b):

算法特点：

• 计算最快，实现最简单
• 受向量长度影响很大
• 常用于神经网络内部计算

最适合场景：注意力机制、Transformer模型

淘宝的千人千面到抖音的个性化推荐，从微信的人脸支付到搜索引擎的精准匹配，向量相似度计算正在悄然改变我们与数字世界的互动方式。

掌握向量相似度计算，就是掌握了现代AI系统的"感知能力"。四种经典算法各有所长：余弦相似度的方向感知、欧几里得距离的空间直觉、曼哈顿距离的稳健特性、点积相似度的计算效率。关键不是哪个算法最好，而是在正确的场景选择正确的工具。

从技术发展看，向量相似度计算已经从单纯的数学工具进化为AI系统的核心组件。随着大语言模型和向量数据库的兴起，这项技术的重要性还在持续提升。理解并熟练运用这些算法，就拥有了构建下一代智能应用的基础能力。

距离的空间直觉、曼哈顿距离的稳健特性、点积相似度的计算效率。关键不是哪个算法最好，而是在正确的场景选择正确的工具。****

从技术发展看，向量相似度计算已经从单纯的数学工具进化为AI系统的核心组件。随着大语言模型和向量数据库的兴起，这项技术的重要性还在持续提升。理解并熟练运用这些算法，就拥有了构建下一代智能应用的基础能力。

日拱一卒，让大脑不断构建深度学习和大模型的神经网络连接。

三、AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓