Cosine Similarity

تشابه جيب التمام مقياس رياضي أساسي يُستخدم في التعلم الآلي (ML) والذكاء الاصطناعي (AI) لقياس مدى تشابه مصفوفتين أو متجهين متعددي الأبعاد، بصرف النظر عن حجمهما أو مقدارهما. ومن خلال حساب الزاوية بين نقطتين في فضاء متجهي، يحدد المقياس ما إذا كان اتجاههما متقاربًا. ويُعد هذا النهج الزاوي بالغ الأهمية لمعالجة البيانات التي يكون فيها الاتجاه أهم من الطول الإجمالي، ما يجعله فعالًا للغاية في مقارنة تمثيلات البيانات المجردة مثل التضمينات.

فهم الأساس الرياضي للمقياس#

لحساب هذا المقياس، احسب الجداء النقطي لمتجهين، ثم اقسمه على حاصل ضرب مقداريهما (طوليهما). وتقع النتيجة دائمًا ضمن نطاق ثابت من ‎-1 إلى 1:

• تعني الدرجة 1 أن المتجهين يتجهان بالاتجاه نفسه تمامًا، ما يدل على أقصى درجات التشابه.
• تعني الدرجة 0 أن المتجهين متعامدان تمامًا (بزاوية 90 درجة)، أي لا يوجد تشابه في الاتجاه.
• تعني الدرجة ‎-1 أن المتجهين يتجهان في اتجاهين متعاكسين تمامًا.

في العديد من أطر التعلم العميق الحديثة المصممة لـالرؤية الحاسوبية (CV)، يمكنك بسهولة الوصول إلى دوال محسّنة لتنفيذ هذه العملية الرياضية، مثل الوحدة الوظيفية في PyTorch أو مقاييس TensorFlow.

التمييز بين المفاهيم ذات الصلة#

من المفيد التمييز بين تشابه جيب التمام ومقاييس تحليلات البيانات الأخرى الشائعة الاستخدام لفهم متى ينبغي استخدامه:

• مسافة جيب التمام: رغم الارتباط الوثيق بين المصطلحين، فإنهما يتناسبان عكسيًا. تُحسب مسافة جيب التمام ببساطة بطرح تشابه جيب التمام من 1. لذلك، تشير المسافة الأصغر إلى تشابه أكبر بين المتجهات.
• المسافة الإقليدية: يقيس هذا المقياس المسافة المادية بخط مستقيم بين نقطتين، ما يجعله شديد الحساسية للحجم أو المقدار الإجمالي للمتجهات. أما تشابه جيب التمام، فلا يأخذ في الاعتبار سوى الزاوية. فعلى سبيل المثال، في تحليل النصوص، قد تكون المسافة الإقليدية كبيرة بين مستند طويل وجملة قصيرة، لكن إذا تناولا الموضوع نفسه، فسيظل تشابه جيب التمام بينهما مرتفعًا.

تطبيقات الذكاء الاصطناعي في العالم الواقعي#

يشكّل تشابه جيب التمام المحرك الأساسي لعدد كبير من منتجات البرمجيات الحديثة، إذ يردم الفجوة بين البيانات الخام ومراد المستخدم.

• البحث المتجهي والتوليد المعزّز بالاسترجاع (RAG): في تطبيقات معالجة اللغة الطبيعية (NLP)، مثل روبوتات المحادثة، تُحوَّل استفسارات المستخدمين والمستندات الداخلية إلى تضمينات كثيفة. ويحسب النظام تشابه جيب التمام بسرعة لاسترجاع المستندات الأكثر صلة بالسياق من قاعدة بيانات متجهية، وهي خطوة أساسية في التوليد المعزّز بالاسترجاع (RAG).
• أنظمة التوصية: تستخدم خدمات التجارة الإلكترونية والبث أدوات مثل Scikit-learn وSciPy لتمثيل تفضيلات المستخدمين وعناصر الكتالوج في صورة متجهات. ومن خلال قياس درجة التشابه بين ملف المتسوق الشخصي والمنتجات المختلفة، تستطيع الأنظمة التوصية بدقة بعناصر مرتبطة بصريًا أو موضوعيًا.

قياس التشابه البصري باستخدام Ultralytics#

يمكنك استخراج متجهات سمات عالية الأبعاد مباشرةً من البيانات المرئية باستخدام أحدث نماذج الرؤية. يوضح كود Python التالي كيفية تحميل نموذج Ultralytics YOLO26 من أجل تصنيف الصور، وإنشاء تضمينات لصورتين، ثم حساب تشابه جيب التمام لقياس مدى التشابه البصري بينهما.

import torch
import torch.nn.functional as F
from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embedding vectors for two separate images
results = model.embed(["bus.jpg", "car.jpg"])

# Calculate the cosine similarity between the two visual embeddings
similarity = F.cosine_similarity(torch.tensor(results[0]), torch.tensor(results[1]), dim=0)
print(f"Visual Similarity Score: {similarity.item():.4f}")

بالنسبة إلى المطورين الذين يسعون إلى توسيع نطاق إمكانات البحث الدلالي، فإن تدريب نماذج أساسية عالية الدقة أمر بالغ الأهمية. وتبسّط منصة Ultralytics هذه العملية من خلال توفير أدوات فعّالة لـتعليق البيانات، والتدريب السحابي القابل للتوسع، ونشر النماذج بسلاسة، ما يضمن أن تكون التضمينات الأساسية دقيقة وذات دلالة قدر الإمكان.