目录
COSINE：余弦的方式计算相似度
只看方向，不看长度，两个向量方向越一致，说明向量越相近，-1最不像，1最像
假设有3个二维向量，分别是A[1,1]，B[2,1]，C[-1,-1]，如果从坐标系中画3个点 ，会发现A和B的方向差不多，A和C的方向相反
也可以通过代码计算A和B的相似度约等于0.9486832618713379
cpp
import torch
import torch.nn.functional as nn
vec1 = torch.tensor([[1.0, 1.0]])
vec2 = torch.tensor([[2.0, 1.0]])
cos_sim = nn.cosine_similarity(vec1, vec2, dim=1)
print("余弦相似度张量：", cos_sim)
print("余弦相似度数值：", cos_sim.item())计算A和C的相似度约等于-0.9999999403953552
cpp
vec1 = torch.tensor([[1.0, 1.0]])
vec2 = torch.tensor([[-1.0, -1.0]])由上面可知A和B很像，但是A和C完全不像（甚至相反）
L2：欧氏距离的方式计算相似度
不看方向，只看两个向量之间的距离，A和B越近，就说明A和B越像
假设有3个二维向量，分别是A[1,1]，B[2,1]，C[-1,-1]，从坐标系中画3个点A和B很近，A和C较远
IP：内积的方式计算相似度
有人说是A向量在B向量上的投影再乘以B，其实我觉得没必要去这样理解内积，上述文章已经阐述过COS和L2，一个通过方向，一个通过距离，而IP则是通过方向+向量长度（强度）来综合判断，下图一眼就可明白内积是什么意思
虽然A和C方向完全一致，但是你架不住B的力度大，所以说从内积的规则判断，A和B更相似，而A和C仅仅是方向一致而已
说白了就是你C确实和我一条心，但是你帮不上多大忙，虽然B和我不是一条心，但是人家出手即可帮大忙
cpp
# a(2,2) c(1,1) = 2x1 + 2x1 = 4 （A和C的内积4）
# a(2,2) b(5,0) = 2x5 + 2x0 = 10 （A和B的内积10）不同的相似度规则，该什么时候使用
CONSINE常用来处理文本语义 ，例如喜欢，爱慕
L2常用于数字处理，例如音频视频相似度
IP不常用，一般用在高频搜索中，其中IP的强度通常用来表示关键词的出现次数，这个具体场景我也不清楚，不是很了解，没做过，不过本文主要讲述的是milvus，这个了解一下就行