Cosine Similarity
تقيس مشابهة جيب التمام مدى تشابه متجهين بالاستناد إلى الزاوية بينهما، دون اعتبار للطول. تعرّف على الصيغة والمقاييس المرتبطة بها واستخداماتها في البحث والأمثلة البرمجية.
يقيس التشابه الجيبي مدى تشابه متجهين عبر جيب تمام الزاوية بينهما: 1 عندما يشيران إلى الاتجاه نفسه، و0 عندما يكونان متعامدين، و−1 عندما يشيران إلى اتجاهين متعاكسين. ويتجاهل طول المتجه ويقارن الاتجاه فقط، ما يجعله مناسبًا للبيانات التي يحمل اتجاهها المعنى، مثل أعداد الكلمات في مستندات متفاوتة الطول أو التضمينات التي تنتجها الشبكات العصبية للنصوص والصور. ولذلك فهو المقياس الافتراضي لمقارنة العناصر في البحث الدلالي والتوليد المعزز بالاسترجاع (RAG) وأنظمة التوصية.
كيفية حساب التشابه الجيبي#
يقسم التشابه الجيبي الضرب النقطي لمتجهين على حاصل ضرب طولهما: cos(θ) = (A·B) / (‖A‖·‖B‖)، حيث ‖A‖ هو الطول الإقليدي، أي الجذر التربيعي لمجموع مربعات العناصر. ويظل المقياس كما هو عند ضرب أي متجه في عدد موجب. وتتراوح درجات المتجهات التي لا تحتوي على قيم سالبة، مثل أعداد الكلمات أو أوزان TF-IDF، دائمًا بين 0 و1. يقارن هذا المثال متجهًا بنسخة أطول منه، ومتجه متعامد، ومتجه معاكس له:
import numpy as np
def cosine(u, v):
"""Return the cosine of the angle between two vectors."""
return u @ v / (np.linalg.norm(u) * np.linalg.norm(v))
a = np.array([1.0, 2.0, 3.0])
b = 10 * a # same direction, ten times longer
c = np.array([3.0, 0.0, -1.0]) # perpendicular to a
print(f"cos(a, b) = {cosine(a, b):.2f}, Euclidean distance = {np.linalg.norm(a - b):.1f}")
print(f"cos(a, c) = {cosine(a, c):.2f}, cos(a, -a) = {cosine(a, -a):.2f}")تحصل النسخة المضروبة في معامل على درجة مثالية تبلغ 1.00 رغم أنها تبعد 33.7 وحدة وفق المسافة الإقليدية، بينما يحصل المتجه المتعامد على 0.00 والمتجه المعاكس على −1.00.
بعد تطبيع المتجهات إلى طول الوحدة، يساوي التشابه الجيبي حاصل ضربها النقطي، وتساوي المسافة الإقليدية التربيعية 2 − 2·cos(θ)، لذا يعطي ترتيب الجيران بحسب التشابه الجيبي أو الضرب النقطي أو المسافة الإقليدية الترتيب نفسه. لذلك تطبّع قواعد بيانات المتجهات ومكتبات البحث التضمينات مرة واحدة عند فهرستها، ويصبح تقييم استعلام مقابل مجموعة كاملة عملية ضرب واحدة لمصفوفة في متجه، وهي العملية الأساسية في البحث المتجهي. وتوفر أطر التعلم العميق هذا الحساب مباشرةً، كما في دالة cosine_similarity في PyTorch.
تطبيقات في الذكاء الاصطناعي#
- الاسترجاع لنماذج اللغة: يُنشأ تضمين للاستعلام ومكتبة من مقاطع المستندات باستخدام النموذج نفسه، ثم تُمرّر المقاطع ذات أعلى درجات تشابه جيبي مع الاستعلام إلى نموذج اللغة بوصفها سياقًا.
- التحقق من الوجه: تقارن الأنظمة المدربة بخسائر مثل ArcFace، التي تضيف هامشًا زاويًا بين الهويات، تضمينَي وجه باستخدام التشابه الجيبي، وتقبل التطابق إذا تجاوز الدرجة عتبة مضبوطة.
- التصنيف دون أمثلة باستخدام CLIP: يصنّف CLIP صورةً بحساب التشابه الجيبي بين تضمينها وتضمينات موجّهات مثل «صورة لكلب»، ثم يضرب الدرجات في درجة حرارة متعلّمة ويطبّق softmax على الموجّهات.
- التعلم التقابلي: تقسم خسائر مثل NT-Xent في SimCLR التشابه الجيبي بين تضمينين على درجة حرارة، فتقرّب عرضَي الصورة نفسها وتباعد بين الصور الأخرى.
- التوصية القائمة على العناصر: تقارن خوارزميات الترشيح التعاوني العناصر بحسب التشابه الجيبي لمتجهات تقييماتها، لذا تُعد المنتجات التي يشتريها العملاء أنفسهم متشابهة.
مقارنة تضمينات الصور في الشيفرة#
تعيد نماذج YOLO26 تضمينًا واحدًا لكل صورة عبر embed()، متجاوزةً رأس التنبؤ ومحتسبةً متوسطًا مكانيًا لخرج الطبقة قبل الأخيرة في النموذج. يقارن هذا المثال تضمينات صورتين تجريبيتين من نموذج YOLO26 لـتصنيف الصور:
import torch.nn.functional as F
from ultralytics import YOLO
# Load a YOLO26 classification model pretrained on ImageNet
model = YOLO("yolo26n-cls.pt")
# Generate one embedding vector per image
embeddings = model.embed(["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"])
# Cosine similarity between the two image embeddings
similarity = F.cosine_similarity(embeddings[0], embeddings[1], dim=0)
print(f"Cosine similarity: {similarity.item():.4f}")تقع الدرجة المطبوعة بين −1 و1، وتشير القيم الأعلى إلى أن الشبكة تمثّل الصورتين بدرجة أكبر من التشابه.
التشابه الجيبي ومقاييس ذات صلة#
- المسافة الجيبية: تُعرّف بأنها 1 ناقص التشابه الجيبي، ويتراوح مداها من 0 إلى 2. وهي لا تحقق متباينة المثلث، لذا لا تُعد مقياس مسافة حقيقيًا، بخلاف الزاوية نفسها θ.
- الضرب النقطي: يأخذ طولي المتجهين في الحسبان، لذا تتجاوز درجة المتجه الطويل درجة المتجه القصير الذي يشير إلى الاتجاه نفسه. وتُدرّب نماذج استرجاع كثيرة ذات برجين على التسجيل بالضرب النقطي الخام، حيث يمكن أن يحمل طول المتجه معلومات مثل الشعبية الإجمالية للعنصر.
- المسافة الإقليدية: تقيس المسافة بخط مستقيم بين نقطتين وتزداد مع اختلاف الطول، لذا يقع مستندان قصير وطويل يتناولان الموضوع نفسه بعيدين عن بعضهما في فضاء أعداد الكلمات.
- خوارزمية أقرب الجيران K (KNN): خوارزمية تحتاج إلى مقياس تشابه أو مسافة لإيجاد الجيران، وغالبًا ما تستخدم تطبيقات النصوص والتضمينات التشابه الجيبي معها.
- ارتباط بيرسون: يساوي التشابه الجيبي بين المتجهين بعد طرح متوسط كل متجه من عناصره.










