余弦相似度

语义搜索将文本转换为高维向量，通过计算余弦相似度找出最相关的结论，使得不同表述方式的查询也能命中语义相符的结果

余弦相似度是衡量两个向量方向接近程度的指标，值域在-1到1之间，越接近1表示语义越相似

余弦相似度值域为[-1, 1]，在语义检索中通常只关注0到1的正相关部分，数值越接近1语义越相似

余弦相似度只关心向量方向而不关心长度，取值范围严格落在 [-1, 1] 之间

当特征向量被L2归一化后，余弦相似度等价于点积运算

文本经Embedding模型编码为768至3072维的浮点向量，存入向量数据库后通过近似最近邻算法（HNSW、IVF等）在毫秒级完成相似度检索

余弦相似度衡量两个向量之间夹角的余弦值，公式为 cos(θ) = (A · B) / (||A|| × ||B||)

ItemCF的余弦相似度公式为sim(i,j) = C[i][j] / sqrt(N[i] * N[j])，分母归一化天然实现对热门物品的降权。

在构建索引时对向量做归一化，使得运行时的余弦相似度退化为一次点积。

向量搜索将查询和文档映射为高维空间中的稠密向量，通过余弦相似度或点积衡量语义接近程度

在单位向量上，平方 L2 距离与余弦相似度的排序一致，因为 |a - b|² = 2 - 2·cos(a, b)。

检索时，用户问题同样被编码为向量，系统通过余弦相似度等度量找出与问题向量最接近的top-K个块。

实验中旧事实与其替代者之间的平均余弦相似度为0.816，而语料基线为0.372，其中一对达到1.000；移除元数据过滤后，过期版本在9个案例中有6个成为最近邻，中位排名为1。

余弦相似度衡量两个向量在方向上的接近程度，取值范围为-1到1，值越接近1表示语义越相似，因其对向量模长不敏感、计算稳定，成为RAG场景中最主流的选择。

Embedding模型是深度神经网络，将文本映射到固定维度的稠密向量空间（如768维或1536维），常用余弦相似度衡量语义接近程度，取值范围为-1到1。

余弦相似度衡量两个向量之间的夹角，结果为1表示方向一致（含义相同），为0表示无关；它忽略向量长度，因此短问题也能匹配长文档。

生成式引擎的摄入流程：抓取器将HTML解析为固定token的语义块（通常250–500 token）；每个块被转化为高维向量；当AI代理需要答案时，选择余弦相似度最高、实体覆盖最密集的块。

相似Issue搜索通过为每个已存储Issue生成归一化句向量、计算新报告与它们的余弦相似度并排序，返回最相似的五条及原始GitHub链接。

两个嵌入向量之间的余弦相似度只有在它们由同一映射函数（同一模型）产生时才有意义；更换模型（新检查点、新分词器或归一化改变）会产生形状相同但空间不同的嵌入。

在RAG中，文档被切分成chunk，由embedding模型将每个chunk转换为高维向量，系统通过计算向量之间的相似度（如余弦相似度）来找到与用户查询语义最接近的片段。