3、相似度度量方法：余弦相似度、欧氏距离、点积相似度、曼哈顿距离、Jaccard相似度
聊到向量检索，绕不开的一个话题就是：怎么判断两个向量像不像？
说白了，这就是相似度度量。你选什么度量方式，直接决定了检索结果的精准度，也影响了系统的延迟表现。我这些年调过不少检索系统，踩过坑，也总结了一些经验。今天咱们就把五种最常用的度量方法掰开揉碎讲清楚。
核心观点：没有最好的度量方法，只有最适合你场景的。选对了，精准度和延迟都能兼顾；选错了，两头不讨好。
3.1 余弦相似度（Cosine Similarity）
这是我最常用的一种。它衡量的是两个向量之间的夹角，而不是长度。
公式很简单：
cosine_similarity(A, B) = (A · B) / (||A|| × ||B||)结果范围在 [-1, 1] 之间。1 表示方向完全一致，0 表示正交，-1 表示方向相反。
我个人的习惯：在做文本检索时，我几乎无脑选余弦相似度。为什么？因为文本向量化后，向量的模长往往受文档长度影响很大。一篇长文章和一篇短摘要，如果内容相关，它们的向量方向应该是接近的。余弦相似度正好忽略了模长，只关注方向。
实战经验：我在做一个新闻推荐系统时，发现用余弦相似度召回的相关文章，用户点击率比用欧氏距离高了约 15%。原因就是新闻长短不一，余弦相似度能更好地捕捉语义相关性。
3.2 欧氏距离（Euclidean Distance）
这是最直观的距离度量。就是你在初中几何里学过的两点间直线距离。
euclidean_distance(A, B) = sqrt(Σ(Ai - Bi)²)结果范围是 [0, +∞)。值越小，表示向量越相似。
什么时候用欧氏距离？我个人觉得，当你的向量已经做过归一化处理，或者特征维度之间的尺度比较一致时，欧氏距离表现不错。比如图像特征向量，经过 CNN 提取后，各维度的数值范围通常比较均衡，用欧氏距离就很自然。
避坑指南：我曾经在一个用户画像系统中直接用原始特征的欧氏距离做检索，结果发现年龄特征（0-100）和收入特征（0-100000）的尺度差异太大，导致收入维度完全主导了距离计算。后来做了标准化才解决问题。记住：欧氏距离对特征尺度非常敏感。
3.3 点积相似度（Dot Product Similarity）
点积就是两个向量对应位置相乘再求和：
dot_product(A, B) = Σ(Ai × Bi)结果范围是 (-∞, +∞)。值越大，表示越相似。
点积有意思的地方在于，它同时考虑了方向和模长。如果两个向量方向一致且模长都大，点积就会很大。
我建议：在做推荐系统的向量检索时，如果模型训练时已经用点积作为损失函数（比如矩阵分解、双塔模型），那检索时直接用点积相似度是最自然的。我参与过的一个电商推荐项目，模型训练用点积，检索却用了余弦相似度，结果线上指标反而下降了。后来改成点积，效果立竿见影。
关键区别：余弦相似度 = 归一化后的点积。如果你对向量做了 L2 归一化，那么余弦相似度和点积是等价的。很多高性能向量检索库（如 Faiss）内部就是用归一化后的点积来实现余弦相似度的。
3.4 曼哈顿距离（Manhattan Distance）
也叫 L1 距离。它计算的是两个向量在各维度上的差之和：
manhattan_distance(A, B) = Σ|Ai - Bi|结果范围是 [0, +∞)。
你想想看，曼哈顿距离和欧氏距离有什么区别？欧氏距离走的是「直线」，曼哈顿距离走的是「网格线」。在低维空间里，曼哈顿距离对异常值没那么敏感。
我的使用场景：在做一些稀疏向量的检索时，比如用户行为序列的 one-hot 编码，曼哈顿距离往往比欧氏距离更稳定。我记得有一次处理用户点击序列，特征维度高达 10 万维，但每个用户只有几十个非零值。用欧氏距离算出来的结果波动很大，换成曼哈顿距离后，检索质量明显提升。
| 度量方法 | 计算复杂度 | 对尺度敏感 | 适用场景 |
|---|---|---|---|
| 余弦相似度 | O(d) | 否（归一化后） | 文本、语义检索 |
| 欧氏距离 | O(d) | 是 | 图像、归一化特征 |
| 点积相似度 | O(d) | 是 | 推荐系统、模型对齐 |
| 曼哈顿距离 | O(d) | 是 | 稀疏向量、高维数据 |
| Jaccard 相似度 | O(d) | 否 | 集合、布尔特征 |
3.5 Jaccard 相似度（Jaccard Similarity）
这个跟前面几个不太一样。它不直接算向量，而是算集合的相似度：
jaccard_similarity(A, B) = |A ∩ B| / |A ∪ B|结果范围是 [0, 1]。0 表示没有交集，1 表示完全重合。
什么时候用？当你的数据是布尔向量（0/1）或者集合形式时，Jaccard 相似度非常合适。比如用户购买的商品集合、文档的关键词集合。
我曾经在一个标签推荐系统中用过 Jaccard 相似度。用户和内容都有多个标签，用 Jaccard 算出来的相似度非常直观——两个用户共同标签越多，相似度越高。换成余弦相似度反而效果不好，因为标签向量是稀疏的 0/1 向量，余弦相似度在这种场景下区分度不够。
小技巧：Jaccard 相似度可以用于 MinHash 算法做近似计算，在大规模集合相似度检索时非常高效。如果你有海量用户需要做相似用户推荐，可以考虑这个方向。
3.6 如何选择？一张图看懂
说了这么多，到底怎么选？我画了一张决策流程图，帮你快速定位：
3.7 延迟考量：计算效率对比
除了精准度，延迟也是我们做工程时必须考虑的。这五种方法的计算复杂度都是 O(d)，但实际运行时间还是有差异的。
我实测过一组数据：在 100 万条 128 维向量上做检索，用 Faiss 的 CPU 版本，各度量方法的 QPS（每秒查询数）对比如下：
| 度量方法 | 相对 QPS | 说明 |
|---|---|---|
| 点积相似度 | 1.0x（基准） | 最基础的计算，无额外开销 |
| 余弦相似度 | 0.85x | 需要先做 L2 归一化，多一次向量除法 |
| 欧氏距离 | 0.9x | 平方和开根号，比点积略慢 |
| 曼哈顿距离 | 0.95x | 只有加减法和值，比欧氏快 |
| Jaccard 相似度 | 0.7x | 需要计算交集和并集，稀疏向量下优化空间大 |
注意：上面的数据是在未做任何特殊优化的情况下测的。实际工程中，你可以通过向量预归一化、SIMD 指令集加速、近似最近邻搜索（ANN）等手段大幅降低延迟。比如把余弦相似度转成点积后，就能直接使用 Faiss 的 IndexFlatIP，性能提升很明显。
3.8 我的选择建议
说了这么多，最后给个总结性的建议：
- 文本检索、语义搜索：无脑选余弦相似度。这是经过大量实践验证的黄金组合。
- 推荐系统、双塔模型：看模型训练方式。训练用点积，检索就用点积；训练用余弦，检索就用余弦。
- 图像检索、特征均衡的场景：欧氏距离或余弦都可以，建议都试一下，看哪个指标好。
- 稀疏向量、布尔特征：Jaccard 相似度是首选。曼哈顿距离也可以作为备选。
- 对延迟要求极高：优先考虑点积相似度，因为它计算最简单，而且容易做硬件加速。