向量检索中余弦相似度与欧氏距离的区别
答案要点
- 余弦相似度衡量方向差异,对模长不敏感;欧氏距离衡量绝对距离,受模长影响
- L2 归一化后欧氏距离平方 = 2 − 2·cos,排序与余弦、内积一致
- 文本 embedding 通常用余弦或归一化后的内积,并与模型训练时的度量保持一致
- 欧氏距离适合模长有意义的场景,如部分图像特征、坐标数据和 K-means 聚类
易错点
- 检索时的度量与 embedding 模型训练时使用的度量不一致
- 向量未归一化就用内积,模长大的向量被系统性偏好
- 认为余弦和欧氏排序在任何情况下都不同,归一化后二者等价
面试官常见追问
- 微调(Fine-tune)和 RAG 如何选择?各自适用场景?
- 向量数据库的作用是什么?常见向量数据库有哪些?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。