「AI 怎么看出两句话像不像？余弦相似度这把尺」

先给结论：它量的是"方向"不是"字数"

两句话像不像，人一眼能瞅出来。可机器看文字是瞎的，得先把文字变成一串数字（也就是向量），再比这串数字。余弦相似度干的就是这个"比"的活：它不算两段文字重合了几个词，而是算它们对应的向量"指向"是不是同一个方向。

米岸AI 打个比方：一篇写"猫爱吃鱼"、一篇写"喵星人就好这口腥的"，字面没几个字一样，但意思一个样，余弦相似度就高。它比的是"神似"，不是"字同"，这点比数重合词高明。

向量是啥，先掰扯明白

机器没法直接吃汉字，得把每个词、每句话压成一串数字，这串数字就是向量。意思相近的词，压出来的数字"方向"也近。比如"高兴"和"开心"的向量，挨得就比"高兴"和"扳手"近得多。

这一步叫"嵌入"，是后面所有比对的地基，余弦相似度要量也是量这串数字。地基打歪了，余弦相似度再准也白搭。同一句话换个写法，向量也差不离，这正是它能认近义词的底子。

余弦这把尺子咋量的

两个向量往坐标系里一放，连到原点，就成了两根带方向的箭头。余弦相似度量的是这两根箭头之间的夹角：夹角越小（越并肩），分数越接近 1，表示越像；夹角越大（背道而驰），分数越接近 0 甚至负数，表示越不沾边。

重点来了：它只看角度，不看长度。所以一段话写得很长、另一段很短，只要"意思走向"一致，余弦相似度照样高。这正是它比"数重合词"聪明的地方，长度不一样也照量不误。

它都藏在哪儿干活

你用搜索，输入"怎么治感冒"，它给你蹦出"流行性感冒咋缓解"——背后就是余弦相似度在比 query 和文章的向量。你用查重，两篇论文换汤不换药，它也能闻出味儿来。还有推荐，"看过这个的人还看了那个"，很多也是靠相似度配对。

说白了，只要活儿是"找相似的"，基本都绕不开这把尺子。把这类活儿交给它，比人肉翻资料快得多，也稳得多，所以它才能躲在那么多产品背后。

它也有犯迷糊的时候

余弦相似度认向量不认人话。万一嵌入模型本身把两个不相干的东西学近了，它也就跟着错。还有反话——"这服务真棒"和"这服务真棒（反讽）"，向量可能一样，意思却相反，它就分不出来了。

所以正经系统不会光靠它一根柱子，往往配上关键词、规则一起判。米岸AI 提醒一句：相似度高分，不等于真相关，别被一个漂亮数字带沟里。

常见问题

问：余弦相似度和"重合词数量"差在哪儿？

答：重合词数只看字面有几个字一样，容易被同义词骗；余弦相似度看语义方向，能认出"换了个说法但一个意思"。

问：分数为 1 就代表两句话一模一样吗？

答：代表语义方向非常接近，但不一定是逐字相同。它量的是"像"，不是"等于"。

问：普通用户能直接用它吗？

答：你一般碰不到原始分数，但它躲在搜索、推荐、查重背后替你干活。看懂原理，就知道为啥有时搜出来"不太对味"。

问：米岸AI 说的向量从哪来？

答：来自"嵌入"模型，把文字压成数字串。向量质量直接决定余弦相似度靠不靠谱。

本文由米岸AI整理。