Cosine Similarity
La similarità coseno misura quanto sono simili due vettori in base all'angolo che li separa, ignorandone la lunghezza. Scopri la formula, le misure correlate, gli usi nella ricerca e il codice.
La similarità coseno misura quanto sono simili due vettori in base al coseno dell'angolo che li separa: vale 1 quando puntano nella stessa direzione, 0 quando sono perpendicolari e −1 quando puntano in direzioni opposte. Ignora la lunghezza dei vettori e confronta solo la direzione; è quindi adatta ai dati in cui il significato dipende dalla direzione, come i conteggi di parole in documenti di lunghezza diversa o gli embedding prodotti dalle reti neurali per testo e immagini. Per questo è il punteggio predefinito per confrontare elementi nella ricerca semantica, nella generazione aumentata dal recupero (RAG) e nei sistemi di raccomandazione.
Come si calcola la similarità coseno#
La similarità coseno divide il prodotto scalare di due vettori per il prodotto delle loro lunghezze: cos(θ) = (A·B) / (‖A‖·‖B‖), dove ‖A‖ è la lunghezza euclidea, ossia la radice quadrata della somma dei quadrati delle componenti. Moltiplicare uno dei due vettori per un numero positivo non cambia il punteggio. I vettori senza componenti negative, come i conteggi di parole o i pesi TF-IDF, ottengono sempre un punteggio compreso tra 0 e 1. Questo esempio confronta un vettore con una sua copia più lunga, con un vettore perpendicolare e con il suo opposto:
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 copia scalata ottiene il punteggio perfetto di 1,00, anche se dista 33,7 unità in termini di distanza euclidea; il vettore perpendicolare ottiene 0,00 e quello opposto −1,00.
Dopo aver normalizzato i vettori a una lunghezza unitaria, la similarità coseno coincide con il loro prodotto scalare e la distanza euclidea al quadrato equivale a 2 − 2·cos(θ); ordinare i vicini per similarità coseno, prodotto scalare o distanza euclidea dà quindi lo stesso risultato. I database vettoriali e le librerie di ricerca normalizzano perciò gli embedding una sola volta durante l'indicizzazione; assegnare un punteggio a una query rispetto all'intera raccolta diventa così un'unica moltiplicazione matrice-vettore, l'operazione alla base della ricerca vettoriale. I framework di deep learning forniscono direttamente il calcolo, come la funzione cosine_similarity di PyTorch.
Applicazioni nell'IA#
- Recupero di informazioni per i modelli linguistici: una query e una raccolta di frammenti di documenti vengono convertite in embedding con lo stesso modello; i frammenti con la similarità coseno più alta rispetto alla query vengono forniti al modello linguistico come contesto.
- Verifica del volto: i sistemi addestrati con funzioni di perdita come ArcFace, che aggiunge un margine angolare tra le identità, confrontano due embedding facciali tramite la similarità coseno e accettano la corrispondenza se il punteggio supera una soglia calibrata.
- Classificazione zero-shot con CLIP: CLIP assegna un'etichetta a un'immagine calcolando la similarità coseno tra il suo embedding e quelli di prompt come «una foto di un cane», scalando i punteggi con una temperatura appresa e applicando una softmax ai prompt.
- Apprendimento contrastivo: funzioni di perdita come NT-Xent di SimCLR dividono la similarità coseno di due embedding per una temperatura, avvicinando le rappresentazioni di diverse viste della stessa immagine e allontanando quelle di immagini diverse.
- Raccomandazioni basate sugli elementi: il filtraggio collaborativo confronta gli elementi tramite la similarità coseno dei rispettivi vettori di valutazioni, così i prodotti acquistati dagli stessi clienti risultano simili.
Confrontare embedding di immagini nel codice#
I modelli YOLO26 restituiscono un embedding per immagine tramite embed(), che salta la testa di predizione e applica il pooling medio all'output del penultimo livello del modello. Questo esempio confronta gli embedding di due immagini di esempio ottenuti da un modello YOLO26 di classificazione delle immagini:
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}")Il punteggio stampato è compreso tra −1 e 1; valori più alti indicano che la rete rappresenta le due immagini in modo più simile.
Similarità coseno e misure correlate#
- Distanza coseno: definita come uno meno la similarità coseno, varia da 0 a 2. Non rispetta la disuguaglianza triangolare, quindi non è una vera metrica di distanza, mentre l'angolo stesso, θ, lo è.
- Prodotto scalare: tiene conto della lunghezza di entrambi i vettori, quindi un vettore lungo ottiene un punteggio superiore a uno corto che punta nella stessa direzione. Molti modelli di recupero a due encoder vengono addestrati a calcolare il punteggio con il prodotto scalare grezzo, in cui la lunghezza del vettore può contenere informazioni come la popolarità complessiva di un elemento.
- Distanza euclidea: misura la distanza in linea retta tra due punti e aumenta al crescere delle differenze di lunghezza; nello spazio dei conteggi di parole, un documento breve e uno lungo sullo stesso argomento risultano quindi distanti.
- K vicini più prossimi (KNN): algoritmo che richiede una misura di similarità o distanza per trovare i vicini; nelle applicazioni con testo ed embedding spesso si usa la similarità coseno.
- Correlazione di Pearson: equivale alla similarità coseno dei due vettori dopo aver sottratto da ciascuna componente la media del vettore corrispondente.










