在机器学习、信息检索、自然语言处理以及计算机视觉等领域，我们经常需要判断两个对象是否“相似”。当这些对象被表示为高维向量时，如何量化它们的相似性就成为一个基础而关键的问题。余弦相似度（Cosine Similarity）正是解决这一问题的常用且有效的方法。尤其在人脸识别、文本匹配等任务中，它因其对向量尺度不敏感、专注于方向一致性的特性而被广泛采用。一、什么是余弦相似度？余弦相似度是一种用于衡量两个非零向量之间方向相似程度的度量方法。其数学定义基于向量的点积与模长：CosineSimilarity(A,B)=A⋅B∥A∥∥B∥=∑i=1nAiBi∑i=1nAi2⋅∑i=1nBi2 \text{Cosine Similarity}(\mathbf{A}, \mathbf{B}) = \frac{\mathbf{A} \cdot \mathbf{B}}{\|\mathbf{A}\| \|\mathbf{B}\|} = \frac{\sum_{i=1}^{n} A_i B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \cdot \sqrt{\sum_{i=1}^{n} B_i^2}}CosineSimilarity(A,B)=∥A∥∥B∥A⋅B​=∑i=1n​A