| 欧氏距离 | 余弦相似度 | |
|---|---|---|
| 关注什么 | 绝对数值大小差异 | 方向 / 趋势是否一致 |
| 结果含义 | 越小越相似 | 越大越相似 |
| 适用场景 | 身高、体重、分数等数值 | 文本、用户偏好、推荐系统 |
这俩是机器学习、推荐、NLP 里最容易混淆、但选择逻辑非常清晰的两个指标。
我用最简单、最实用的方式告诉你：什么时候用哪个，为什么，一眼判断。
只看方向，不看长度。
向量长度被自动忽略，只比较趋势是否一致。
用户 A：[1,1,1,0]
用户 B：[100,100,100,0]
→ 说明：虽然量级差 100 倍，但偏好完全一致，余弦能识别，欧氏不行。
关心绝对差异，差一点就是差一点。
A：[170, 65]（身高 170，体重 65）
B：[172, 67]
C：[200, 100]
→ 欧氏距离非常合适。
→ 用余弦相似度
例：
文章 1：[2,3,1]
文章 2：[200,300,100]
→ 内容相似，只是长度不同，余弦相似度接近 1。
→ 必须余弦相似度
欧氏距离在高维会失效，变得不可靠。
→ 通常欧氏距离
除非是文本 / 高维稀疏 → 余弦。
| 特征 | 余弦相似度 | 欧氏距离 |
|---|---|---|
| 关注 | 方向、趋势 | 绝对距离 |
| 受数值大小影响 | 不受 | 严重受 |
| 高维稀疏数据 | 很好 | 很差 |
| 结果范围 | [-1,1] |
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。