什么是余弦相似度？和欧氏距离差在哪

2026-10-06 发布来源：我告诉你AI导航阅读

在 AI 检索系统的搜索框里输入「怎么退订会员」，第一条返回「取消自动续费的方法」。两句话没有一个词重合，系统却认定它们高度相关。这类匹配靠的是把文本变成向量后比较方向，常用度量是余弦相似度。它和欧氏距离常被一起讨论，因为两者回答的...

在 AI 检索系统的搜索框里输入「怎么退订会员」，第一条返回「取消自动续费的方法」。两句话没有一个词重合，系统却认定它们高度相关。这类匹配靠的是把文本变成向量后比较方向，常用度量是余弦相似度。它和欧氏距离常被一起讨论，因为两者回答的是不同问题：一个问朝哪个方向，一个问隔多远。选错了，检索结果会明显变差。下面用五组对照讲清分工，再说三个实际会踩的坑。

同一批向量，两种问法

把每段文本压成几百维的向量，每一维代表某种语义倾向。余弦算的是两个向量夹角的余弦：方向一致时接近 1，垂直时为 0，方向相反时接近 -1。它只关心方向，一段话重复两遍，向量长了一倍，相似度仍是 1。欧氏距离算两点之间的直线长度，长度直接进结果，同样的意思写成长短两版，距离明显拉开。两个定义只差一个归一化，实际影响的却是「什么算相似」这个判断。

五组对照

对比维度	余弦相似度	欧氏距离	谁更合适
衡量什么	两个向量的夹角	两点之间的直线长度	看语义用前者，看绝对差异用后者
是否受长度影响	不受，长向量短向量一视同仁	受，长度差会直接抬高数值	文本偏向余弦，测量数据偏向欧氏
取值范围	负一到一，有明确上下界	零到正无穷，随量纲变化	需要统一阈值时余弦更好设
计算开销	点积加两个模长，归一化后只剩点积	逐维求差、平方求和再开方	大规模检索里余弦更容易优化
零向量	没有方向，结果无定义	照常可算	余弦必须先过滤空向量

第三行常被忽略。余弦固定在负一到一之间，「相似度大于 0.8 就召回」这类阈值可以跨数据集沿用；欧氏距离随维度和量纲变化，同一个阈值换个场景就失效。第四行解释工程上为什么偏爱余弦：归一化后余弦等于点积，点积可以预先建索引，把逐个比较变成近似最近邻查找，这是向量检索撑住亿级数据的前提，机制见向量数据库。

文本为什么天然偏向余弦

文本向量的长度往往和写了多少相关。词频统计的年代，长文档的向量模长天然更大，直接算欧氏距离，长文档会被判为和谁都不像。余弦把模长除掉，把说了多少和说了什么分开。这个传统延续到词嵌入时代：嵌入向量的方向承载语义，模长更多反映词频或置信度，用余弦更贴合设计。检索增强生成的召回也沿用这套做法，RAG 的召回质量很大程度上取决于向量和度量是否匹配。

什么时候欧氏距离更对

当各维度量纲一致、数值差距本身有意义时，欧氏距离更自然。地理位置、传感器读数、同一指标下的用户画像都属于这类：两点相距多远，这个「多远」可以解释成实际差距。近邻方法默认用它，假设特征空间里的邻近就代表相似。用欧氏距离前通常要标准化，否则量纲大的维度会独占权重，以元为单位的字段动辄上千，会把其他维度盖住。余弦虽不看整体长度，但各维度的相对大小同样改变方向，缩放没做好一样会偏。

三个容易踩的坑

第一个是没归一化就混用两种度量。召回用余弦、排序用欧氏，尺度不同，融合时权重失真。第二个是零向量。空文本、全是停用词会得到接近零的向量，余弦分母趋近于零，结果要么报错要么是噪声，入口必须过滤。第三个是维度灾难：维度越高，随机两点距离越接近，最近邻与次近邻的差距被压缩，欧氏距离的区分力下降，余弦好一些，但也没免疫。

它衡量不了的那部分

余弦只看方向，看不懂否定和语序。「我喜欢这个方案」和「我不喜欢这个方案」在词袋向量里可能高度相似，关键词几乎一样。它也无法区分相关和正确：一段话和问题语义接近，不代表它能回答问题。对嵌入质量的依赖是另一条硬边界，模型没见过领域术语时，方向和语义对不上，再精确的度量也救不回来。工程上的常规做法是混合检索：向量召回管语义相近，关键词召回管精确命中，重排模型做最后判断。分类场景下另一种基于距离的做法，可以看 KNN。