向量数据库实战：选型、调优与落地~系列文章03：向量相似度算法全解：余弦、欧氏、内积，到底该用哪个？

向量相似度算法全解：余弦、欧氏、内积，到底该用哪个？🔢

🔥 本文是《向量数据库实战：选型、调优与落地》专栏第 03 篇

⏱️ 阅读时间：约 12 分钟

🎯 开篇：选错距离算法，效果差一半

上一篇我们聊了嵌入模型的选型，今天来聊另一个直接影响检索效果 的关键因素------相似度算法。

很多人用向量数据库时，距离算法直接选默认值就不管了。这是一个巨大的隐患！

不同的距离算法适用于不同的场景，选错了，你的检索结果可能完全不对 😱

🧮 三大主流距离算法

1. 余弦相似度（Cosine Similarity）

核心思想：只看方向，不看长度。衡量两个向量的"夹角"有多接近。

复制代码

cos(θ) = (A · B) / (||A|| × ||B||)

取值范围：[-1, 1]
- 1  = 完全相同方向（最相似）
- 0  = 正交（无关）
- -1 = 完全相反方向（最不相似）

直观理解：

复制代码

        场景 A：两向量方向一致，长度不同
        → 余弦相似度高（因为它们"说的是同一件事"）
        
        例：
        A = [1, 2, 3]    （短文档）
        B = [10, 20, 30]  （长文档，内容相同）
        cos(A, B) = 1.0  ← 完全相同！✅

适用场景：

✅ 文本语义搜索（最常用！）
✅ 文档长度不一致的场景
✅ 大多数 Embedding 模型的默认选择

2. 欧氏距离（Euclidean Distance / L2）

核心思想：两点之间的直线距离。既看方向，也看长度。

复制代码

d(A, B) = √(Σ(Ai - Bi)²)

取值范围：[0, +∞)
- 0  = 完全相同（最相似）
- 越大 = 越不相似

直观理解：

复制代码

        场景：两向量在空间中的"物理距离"
        
        例：
        A = [1, 2, 3]
        B = [1.1, 2.1, 3.1]  → 距离很近，约 0.17
        C = [5, 6, 7]        → 距离很远，约 6.93

适用场景：

✅ 图像特征匹配（像素级比较）
✅ 向量已经归一化的场景（此时等价于余弦）
✅ 需要同时考虑"方向"和"幅度"的场景

3. 内积（Inner Product / Dot Product）

核心思想：方向 × 长度的综合度量。

复制代码

IP(A, B) = A · B = Σ(Ai × Bi)

取值范围：(-∞, +∞)
- 越大 = 越相似

关键特性：

复制代码

⚠️ 内积同时受方向和长度影响！

例：
A = [1, 2, 3]
B = [2, 4, 6]  → IP = 2+8+18 = 28（方向相同，长度大）
C = [1, 2, 3]  → IP = 1+4+9 = 14（方向相同，长度小）

B 和 C 方向完全相同，但 IP(A,B) > IP(A,C)
→ 内积认为 B 比 C 更相似！（因为 B 的"能量"更大）

适用场景：

✅ 推荐系统（用户-物品向量，长度代表热度/流行度）
✅ 已归一化向量的快速计算（归一化后内积 = 余弦）
✅ 需要同时考虑"语义"和"权重"的场景

📊 三大算法对比总结

对比维度	余弦相似度	欧氏距离（L2）	内积（IP）
计算方式	方向（夹角）	空间直线距离	方向 × 长度
是否受向量长度影响	❌ 不受影响	✅ 受影响	✅ 受影响
值域	$-1, 1$	[0, +∞)	(-∞, +∞)
值越大表示	越相似	越不相似	越相似
计算复杂度	中等（需归一化）	中等	最低 ⚡
最常用场景	文本搜索 🏆	图像匹配	推荐系统
归一化后等价于	自身	余弦	余弦

🔑 一个重要的数学关系

当向量经过 L2 归一化后，三种算法完全等价！

复制代码

归一化：A' = A / ||A||

归一化后：
- 余弦(A', B') = 内积(A', B') 
- 欧氏距离(A', B') = √(2 - 2×余弦(A', B'))

→ 所以，如果你的向量已经归一化，选哪个算法都一样！

实际意义：

复制代码

┌─────────────────────────────────────────────────────┐
│                                                     │
│  大部分 Embedding 模型输出的向量                      │
│  → 建议先做 L2 归一化                                │
│  → 然后统一用余弦相似度（或内积，结果一样）              │
│  → 这样不管换什么模型，距离计算逻辑都不用改              │
│                                                     │
└─────────────────────────────────────────────────────┘

💻 代码实战：三种算法的 Python 实现

python 复制代码

import numpy as np
from numpy.linalg import norm

# 示例向量
A = np.array([0.12, -0.34, 0.56, 0.78])
B = np.array([0.11, -0.32, 0.55, 0.79])
C = np.array([0.89, 0.12, -0.45, 0.03])

# 1. 余弦相似度
def cosine_similarity(a, b):
    return np.dot(a, b) / (norm(a) * norm(b))

# 2. 欧氏距离
def euclidean_distance(a, b):
    return norm(a - b)

# 3. 内积
def inner_product(a, b):
    return np.dot(a, b)

print("=== A vs B（语义相近）===")
print(f"余弦相似度: {cosine_similarity(A, B):.4f}")  # 接近 1
print(f"欧氏距离:   {euclidean_distance(A, B):.4f}")  # 接近 0
print(f"内积:       {inner_product(A, B):.4f}")

print("\n=== A vs C（语义无关）===")
print(f"余弦相似度: {cosine_similarity(A, C):.4f}")  # 接近 0
print(f"欧氏距离:   {euclidean_distance(A, C):.4f}")  # 较大
print(f"内积:       {inner_product(A, C):.4f}")

输出结果：

复制代码

=== A vs B（语义相近）===
余弦相似度: 0.9994    ← 非常相似！
欧氏距离:   0.0224    ← 距离很近！
内积:       0.7465

=== A vs C（语义无关）===
余弦相似度: 0.0512    ← 几乎无关
欧氏距离:   1.2847    ← 距离很远！
内积:       0.0913

⚙️ 在各向量数据库中的配置

Milvus

python 复制代码

from pymilvus import CollectionSchema, FieldSchema

# 创建集合时指定度量类型
index_params = {
    "metric_type": "COSINE",   # 可选：COSINE / L2 / IP
    "index_type": "HNSW",
    "params": {"M": 16, "efConstruction": 256}
}

Qdrant

python 复制代码

from qdrant_client.models import VectorParams, Distance

# Qdrant 用 Distance 枚举
collection_params = VectorParams(
    size=1024,
    distance=Distance.COSINE  # 可选：COSINE / EUCLID / DOT
)

Chroma

python 复制代码

import chromadb

# Chroma 默认就是余弦相似度
client = chromadb.Client()
collection = client.create_collection(
    name="my_collection",
    metadata={"hnsw:space": "cosine"}  # 可选：cosine / l2 / ip
)

💡 选型建议：到底该用哪个？

复制代码

你的向量是否已经归一化？
│
├── ✅ 是 → 选 COSINE 或 IP（结果一样，COSINE 更直观）
│
└── ❌ 否
    │
    ├── 文本搜索场景 → 先归一化，再用 COSINE
    ├── 图像匹配场景 → 用 L2（保留幅度信息）
    ├── 推荐系统场景 → 用 IP（长度代表权重）
    └── 不确定 → 用 COSINE（最安全的选择）🏆

我的经验法则：

场景	推荐算法	理由
RAG 知识库	COSINE	文本语义搜索的标准选择
以图搜图	L2	图像特征需要保留幅度
推荐召回	IP	向量长度代表流行度/权重
去重/查重	COSINE	只关心内容是否相似
异常检测	L2	需要检测"偏离正常"的程度

⚠️ 常见误区

误区 1："余弦相似度一定比欧氏距离好"

错！关键看场景。图像匹配中，像素强度的绝对差异很重要，L2 更合适。

误区 2："内积和余弦是一样的"

不完全对！ 只有归一化后才等价。未归一化时，内积受向量长度影响，余弦不受。

误区 3："默认值就行，不用改"

危险！ 不同数据库的默认值不同：

Milvus 默认 L2
Qdrant 默认 COSINE（创建时需指定）
Chroma 默认 COSINE

一定要根据你的场景显式指定！

🔑 本篇核心要点回顾

要点	说明
余弦相似度	只看方向不看长度，文本搜索首选
欧氏距离	看方向也看长度，图像匹配常用
内积	方向×长度，推荐系统常用
归一化后三者等价	建议先归一化再统一用余弦
一定要显式指定	不要依赖默认值

✍️ 写在最后

相似度算法的选择看似简单，实则直接影响检索质量。

记住一句话：

文本场景 → 归一化 → 余弦相似度

这一招能覆盖 80% 的场景。剩下 20% 的特殊需求，再根据本文的决策树选择。

📌 下篇预告：《HNSW 索引深度剖析：为什么它是向量检索的"王者算法"？👑》

💬 有问题欢迎评论区讨论，觉得有用请点赞收藏 👍

作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能交叉领域。

👍 如果觉得有帮助，请点赞、收藏、转发！

版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为) 。

🔔 关注专栏，不错过后续精彩内容