Cosine Similarity
Kosinüs benzerliği, uzunluğu göz ardı ederek iki vektörün arasındaki açıya göre ne kadar benzer olduklarını puanlar. Formülü, ilgili ölçümleri, aramadaki kullanım alanlarını ve kodu öğren.
Kosinüs benzerliği, iki vektör arasındaki açının kosinüsüyle bu vektörlerin ne kadar benzer olduğunu ölçer: aynı yöndeyken 1, dik durumdayken 0, zıt yöndeyken −1. Vektör uzunluğunu dikkate almaz, yalnızca yönü karşılaştırır; bu nedenle farklı uzunluktaki belgelerin sözcük sayıları veya sinir ağlarının metin ve görüntüler için oluşturduğu gömü vektörleri gibi, anlamı yönün taşıdığı veriler için uygundur. Bu özellik, anlamsal arama, bilgi getirmeyle zenginleştirilmiş üretim (RAG) ve öneri sistemlerinde bu ölçüyü varsayılan karşılaştırma puanı hâline getirir.
Kosinüs Benzerliği Nasıl Hesaplanır?#
Kosinüs benzerliği, iki vektörün iç çarpımını uzunluklarının çarpımına böler: cos(θ) = (A·B) / (‖A‖·‖B‖). Burada ‖A‖, kareleri alınmış bileşenlerin toplamının karekökü olan Öklid uzunluğudur. İki vektörden birini pozitif bir sayıyla ölçeklendirmek puanı değiştirmez. Sözcük sayıları veya TF-IDF ağırlıkları gibi negatif olmayan bileşenlere sahip vektörlerin puanı her zaman 0 ile 1 arasındadır. Bu örnek, bir vektörü kendisinin daha uzun bir kopyasıyla, dik bir vektörle ve zıttıyla karşılaştırır:
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}")Ölçeklendirilmiş kopyanın Öklid uzaklığı 33,7 birim olmasına rağmen puanı kusursuz 1,00'dır; dik vektör 0,00, zıt vektör ise −1,00 puan alır.
Vektörler birim uzunluğa normalize edildikten sonra kosinüs benzerliği iç çarpıma, karesi alınmış Öklid uzaklığı ise 2 − 2·cos(θ) değerine eşit olur. Bu nedenle komşuları kosinüs benzerliği, iç çarpım veya Öklid uzaklığına göre sıralamak aynı sonucu verir. Vektör veritabanları ve arama kütüphaneleri, dizin oluştururken gömü vektörlerini bir kez normalize eder; böylece bir sorguyu tüm koleksiyonla puanlamak, vektör aramanın temel işlemi olan tek bir matris-vektör çarpımına dönüşür. Derin öğrenme çerçeveleri, hesabı doğrudan sağlar; PyTorch'un cosine_similarity işlevi buna örnektir.
Yapay Zekâ Uygulamaları#
- Dil modelleri için bilgi getirme: Bir sorgu ve belge parçalarından oluşan bir kütüphane aynı modelle gömü vektörlerine dönüştürülür; ardından sorguyla en yüksek kosinüs benzerliği puanına sahip parçalar, bağlam olarak dil modeline iletilir.
- Yüz doğrulama: Kimlikler arasına açısal bir marj ekleyen ArcFace gibi kayıplarla eğitilen sistemler, iki yüz gömü vektörünü kosinüs benzerliğiyle karşılaştırır ve ayarlanmış bir eşiğin üzerindeki eşleşmeleri kabul eder.
- CLIP ile sıfır örnekli sınıflandırma: CLIP, bir görüntünün gömü vektörü ile "bir köpeğin fotoğrafı" gibi istemlerin gömü vektörleri arasındaki kosinüs benzerliğini hesaplar, puanları öğrenilmiş bir sıcaklık değeriyle ölçeklendirir ve istemler boyunca softmax uygular.
- Karşıtsal öğrenme: SimCLR'nin NT-Xent'i gibi kayıplar, iki gömü vektörünün kosinüs benzerliğini bir sıcaklık değerine böler; aynı görüntünün görünümlerini birbirine yaklaştırırken diğer görüntüleri uzaklaştırır.
- Öğe tabanlı öneriler: İşbirlikçi filtreleme, öğeleri puan vektörlerinin kosinüs benzerliğine göre karşılaştırır; böylece aynı müşterilerin satın aldığı ürünler benzer sayılır.
Kodda Görüntü Gömü Vektörlerini Karşılaştırma#
YOLO26 modelleri, tahmin başlığını atlayan ve modelin sondan ikinci katmanının çıktısına ortalama havuzlama uygulayan embed() aracılığıyla görüntü başına bir gömü vektörü döndürür. Bu örnek, bir YOLO26 görüntü sınıflandırma modelinin iki örnek görüntüsü için oluşturduğu gömü vektörlerini karşılaştırır:
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}")Yazdırılan puan −1 ile 1 arasında değişir; daha yüksek değerler, ağın iki görüntüyü daha benzer biçimde temsil ettiği anlamına gelir.
Kosinüs Benzerliği ve İlgili Ölçüler#
- Kosinüs uzaklığı: Kosinüs benzerliğinin 1'den çıkarılmasıyla tanımlanır ve 0 ile 2 arasında değişir. Üçgen eşitsizliğini sağlamadığından gerçek bir uzaklık ölçüsü değildir; ancak açının kendisi, θ, bu eşitsizliği sağlar.
- İç çarpım: Her iki vektörün de uzunluğunu hesaba katar; bu nedenle aynı yöndeki uzun bir vektör, kısa bir vektörden daha yüksek puan alır. İki kuleli birçok bilgi getirme modeli, öğenin genel popülerliği gibi bilgileri taşıyabilen vektör uzunluğunun ham iç çarpımla puanlanması için eğitilir.
- Öklid uzaklığı: İki nokta arasındaki doğrusal mesafeyi ölçer ve uzunluk farklarıyla artar. Bu nedenle aynı konudaki kısa ve uzun bir belge, sözcük sayısı uzayında birbirinden uzak düşer.
- K-en yakın komşu (KNN): Komşuları bulmak için benzerlik veya uzaklık ölçüsüne ihtiyaç duyan bir algoritmadır; metin ve gömü vektörü uygulamalarında bu ölçü olarak sık sık kosinüs benzerliği kullanılır.
- Pearson korelasyonu: Her vektörün bileşenlerinden kendi ortalaması çıkarıldıktan sonra iki vektörün kosinüs benzerliğine eşit olur.










