Cosine Similarity
La similarité cosinus mesure la ressemblance entre deux vecteurs selon l’angle qui les sépare, sans tenir compte de leur longueur. Découvre la formule, les mesures connexes, les usages en recherche et le code.
La similarité cosinus mesure le degré de ressemblance entre deux vecteurs à partir du cosinus de l’angle qui les sépare : 1 s’ils pointent dans la même direction, 0 s’ils sont perpendiculaires et −1 s’ils pointent dans des directions opposées. Elle ignore la longueur des vecteurs et ne compare que leur direction. Elle convient donc aux données dont la direction porte le sens, comme les comptes de mots de documents de longueurs différentes ou les plongements produits par les réseaux neuronaux pour les textes et les images. C’est le score par défaut pour comparer des éléments en recherche sémantique, en génération augmentée par récupération (RAG) et dans les systèmes de recommandation.
Calcul de la similarité cosinus#
La similarité cosinus divise le produit scalaire de deux vecteurs par le produit de leurs longueurs : cos(θ) = (A·B) / (‖A‖·‖B‖), où ‖A‖ est la longueur euclidienne, soit la racine carrée de la somme des carrés des composantes. Multiplier l’un ou l’autre vecteur par un nombre positif ne change pas le score. Les vecteurs sans composantes négatives, comme les comptes de mots ou les poids TF-IDF, obtiennent toujours un score compris entre 0 et 1. Cet exemple compare un vecteur à une copie plus longue de lui-même, à un vecteur perpendiculaire et à son opposé :
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}")La copie mise à l’échelle obtient le score parfait de 1,00, bien qu’elle se trouve à 33,7 unités de distance euclidienne. Le vecteur perpendiculaire obtient 0,00 et le vecteur opposé −1,00.
Une fois les vecteurs normalisés à une longueur unitaire, leur similarité cosinus équivaut à leur produit scalaire, et la distance euclidienne au carré équivaut à 2 − 2·cos(θ). Le classement des voisins par similarité cosinus, produit scalaire ou distance euclidienne donne donc le même ordre. Les bases de données vectorielles et les bibliothèques de recherche normalisent ainsi une seule fois les plongements au moment de leur indexation. Le calcul du score d’une requête par rapport à toute une collection revient alors à un unique produit matrice-vecteur, opération centrale de la recherche vectorielle. Les frameworks d’apprentissage profond fournissent directement cette opération, par exemple avec la fonction cosine_similarity de PyTorch.
Applications en IA#
- Recherche documentaire pour les modèles de langage : une requête et une bibliothèque de fragments de documents sont encodées avec le même modèle. Les fragments présentant la plus forte similarité cosinus avec la requête sont transmis au modèle de langage en tant que contexte.
- Vérification faciale : les systèmes entraînés avec des fonctions de perte telles qu’ArcFace, qui ajoute une marge angulaire entre les identités, comparent deux plongements faciaux par similarité cosinus et acceptent une correspondance dont le score dépasse un seuil réglé.
- Classification sans exemple avec CLIP : CLIP classe une image en calculant la similarité cosinus entre son plongement et ceux de prompts tels que « une photo de chien », en multipliant les scores par une température apprise, puis en appliquant un softmax aux prompts.
- Apprentissage contrastif : les fonctions de perte telles que NT-Xent de SimCLR divisent la similarité cosinus de deux plongements par une température, rapprochant les vues d’une même image et éloignant les autres images.
- Recommandations fondées sur les éléments : le filtrage collaboratif compare les éléments selon la similarité cosinus de leurs vecteurs de notes ; les produits achetés par les mêmes clients sont donc considérés comme similaires.
Comparer des plongements d’images dans le code#
Les modèles YOLO26 renvoient un plongement par image via embed(). Cette méthode ignore la tête de prédiction et calcule la moyenne des sorties de l’avant-dernière couche du modèle. Cet exemple compare les plongements de deux images d’exemple à l’aide d’un modèle YOLO26 de classification d’images :
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}")Le score affiché est compris entre −1 et 1 ; plus il est élevé, plus le réseau considère les deux images comme semblables.
Similarité cosinus et mesures connexes#
- Distance cosinus : définie comme 1 moins la similarité cosinus, elle varie de 0 à 2. Elle ne respecte pas l’inégalité triangulaire et n’est donc pas une véritable métrique de distance, contrairement à l’angle θ lui-même.
- Produit scalaire : tient compte de la longueur des deux vecteurs ; un vecteur long obtient donc un score supérieur à celui d’un vecteur court pointant dans la même direction. De nombreux modèles de recherche à deux tours sont entraînés à calculer un score à l’aide du produit scalaire brut, où la longueur d’un vecteur peut contenir une information telle que la popularité globale d’un élément.
- Distance euclidienne : mesure la distance en ligne droite entre deux points et augmente avec les différences de longueur ; deux documents courts et longs sur le même sujet peuvent donc être éloignés dans l’espace des comptes de mots.
- K plus proches voisins (KNN) : algorithme qui nécessite une mesure de similarité ou de distance pour trouver les voisins ; la similarité cosinus est souvent utilisée pour les textes et les plongements.
- Corrélation de Pearson : équivaut à la similarité cosinus des deux vecteurs après soustraction de la moyenne propre à chaque vecteur de ses composantes.










