---

📐 1. 定义

给定两个非零向量 a 和 b ∈ ℝⁿ，余弦相似度定义为它们夹角的余弦值：

$$\text{cosine\_similarity}(\mathbf{a},\mathbf{b})=\frac{\mathbf{a}\cdot \mathbf{b}}{\Vert \mathbf{a}{\Vert }_2\Vert \mathbf{b}{\Vert }_2}=\frac{{\sum }_{i=1}^n{a}_i{b}_i}{\sqrt{\sum a_i^2}\cdot \sqrt{\sum b_i^2}}$$

• 取值范围：[-1, 1]
  • 1：完全同向（最相似）
  • 0：正交（无关）
  • -1：完全反向（最不相似）

🔔 实际中，若向量为非负（如图像特征、词频），则范围退化为 [0, 1]。

---

↔️ 2. 余弦距离（Cosine Distance）

为适配“距离越小越相似”的惯例，常将其转换为余弦距离：

$$\text{cosine\_distance}(\mathbf{a},\mathbf{b})=1-\text{cosine\_similarity}(\mathbf{a},\mathbf{b})$$

• 取值范围：[0, 2]（非负向量时为 [0, 1]）
• 满足非负性、对称性，但 不满足三角不等式 → 不是严格度量（non-metric），不能用于某些要求度量公理的算法（如某些层次聚类）。

---

🧭 3. 几何意义（关键！）

✅ 余弦相似度只关注方向，忽略幅值（模长）。

向量对	欧氏距离	余弦相似度	说明
(1, 0), (100, 0)	99	1.0	幅值差大，但同方向 → 余弦认为完全相似
(1, 0), (0, 1)	√2 ≈ 1.41	0.0	正交 → 不相关
(1, 1), (-1, -1)	2√2 ≈ 2.83	-1.0	完全反向

👉 这一特性使其天然适配归一化特征（如 L2 归一化的深度学习特征）。

---

🧪 4. 何时使用余弦相似度？✅（结合你的背景）

场景	为什么适合余弦？
深度学习视觉特征 （如 DINOv2, CLIP, NetVLAD）	特征通常 L2 归一化，此时： $$\text{cosine\_sim}={\mathbf{a}}^{\top }\mathbf{b},{\text{L2\_dist}}^2=2(1-\text{cosine\_sim})$$ → 余弦与 L2 等价，但计算更快（无需开方）
Place Recognition / VPR （视觉定位、回环检测）	环境光照/曝光变化导致特征幅值不稳定，方向更鲁棒
文本/词袋模型（TF-IDF）	文档长度差异大，余弦消除长度影响，专注词分布方向
SLAM 中的全局描述子匹配	如使用 SuperPoint + SuperGlue，其 descriptor 常归一化，余弦匹配更稳定

✅ 在 FAISS、Annoy 等近似最近邻库中，IndexFlatIP（内积）常配合 L2 归一化实现高效余弦搜索。

---

⚠️ 5. 何时避免使用？

场景	问题
原始像素/未归一化特征	幅值含重要信息（如亮度），忽略它会丢失判别性
需要严格度量的空间	如构建度量树（Ball Tree）、某些聚类算法要求三角不等式
二进制描述子（ORB/BRIEF）	汉明距离更合理；余弦对二进制向量退化为相关性，效果差且慢

---

🛠️ 6. 代码示例（Python）

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 手动计算
cos_sim = np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))
cos_dist = 1 - cos_sim

print(f"余弦相似度: {cos_sim:.4f}")   # → 0.9746
print(f"余弦距离:   {cos_dist:.4f}")   # → 0.0254

# sklearn（支持批量）
sim_matrix = cosine_similarity([a, b])

🔍 加速技巧：若所有向量已 L2 归一化（x /= np.linalg.norm(x)），则 cosine_similarity = a @ b.T（纯矩阵乘），可用 BLAS/GPU 加速。

---

📊 7. 与其他距离对比（归一化后）

距离	公式（a,b L2 归一化）	计算量	适用性
L2 距离	$\sqrt{2(1-\cos \theta )}$	高（开方）	通用
余弦距离	$1-\cos \theta$	低（仅内积）	✅ 归一化特征首选
汉明距离	$|a-b{|}_1$（二进制）	极低	二进制描述子

---

✅ 总结一句话：

余弦相似度衡量“方向一致性”，是处理归一化高维特征（尤其是深度学习特征）的黄金标准——快、鲁棒、与人类直觉一致。