AI是怎么判断两段话意思相近的

上一篇结尾留了个问题：既然词义相近=向量挨得近，那AI到底用什么公式来量"近不近"？

你可能会想：那不简单吗，算两个点之间的直线距离呗。但AI偏偏不这么干，它用的是一个听起来有点吓人的东西——余弦相似度（Cosine Similarity）。

别被名字唬住。它的核心思想一句话就能说清：不看两个向量离得多远，只看它们指的方向像不像。这一篇我们就把它彻底讲明白。

一、核心思想：比方向，不比远近

▲ 余弦相似度看的是夹角，不是直线距离

想象每个向量都是从原点（坐标0,0,0...）射出去的一支箭。余弦相似度做的事，就是量这两支箭之间的夹角：

"余弦"这个词就是从这儿来的——夹角的余弦值，正好天然落在 -1 到 1 之间，拿来当"相似度分数"再合适不过。夹角越小，余弦值越接近1。

你完全不需要会算余弦，只要记住这个画面：两支箭，夹角小就相似，夹角大就不相似。AI判断两段话意思像不像，本质就是在量这个夹角。

二、为什么不用直线距离

这是最关键、也最反直觉的一点。明明直线距离更简单，为什么AI偏要看夹角？

问题出在"长度"会捣乱。看个例子：

为什么长度会差这么多？因为向量的"长度"往往和文本的长短、某些词出现的强度有关，而这跟"意思"没啥关系。一句话里词多，向量自然就"长"，但它表达的核心意思可能和那个单词高度一致。

余弦相似度的高明之处就在这里：它只看方向，自动忽略长度。"猫"和"小猫咪那句话"虽然一短一长、直线距离很远，但它们指的方向几乎一致，余弦相似度照样给出很高的分数——正确判定为"意思相近"。

用一个比喻：判断两个人是不是"志同道合"，不该看他们个子高矮（长度），而该看他们朝同一个方向努力（方向）。余弦相似度量的就是"志同道合"的程度。

三、相似度分数怎么看：一支温度计

▲ 余弦相似度从-1到1的取值范围

余弦相似度的结果是一个 -1 到 1 之间的数，可以把它想象成一支"相似度温度计"：

有个细节值得一提：在实际的文本Embedding里，相似度很少会是负数。任意两段正常的中文文字，相似度通常落在0到1之间。所以工程上大家更关心的是"0.5还是0.85"的差别，而不是正负。

所以当你听到"这两段文本相似度0.87"，现在你就知道：意思是它们的向量夹角很小，AI认为它们在讲高度接近的内容。

四、从"词"到"整句"：句子怎么比

▲ 一句话怎么合成一个句向量

前面都在说"词"的相似度。但标题问的是"两段话"——一整句、一整段，怎么比？

答案是：先把整段话压缩成一个向量（句向量/段向量），再对这两个句向量算余弦相似度。怎么压缩？常见两种办法：

不管哪种办法，最终都是把"一段话"变成"一个向量"，然后两个句向量之间算余弦相似度——这就是AI判断"两段话意思相不相近"的完整链条。

这条链条几乎撑起了所有"找相似"的应用：你在知识库里搜问题（RAG）、平台给你推相似文章、系统检测重复/洗稿内容，背后都是"转成句向量→算余弦相似度→找最高分"这三步。

几个能直接用上的认知

小结

余弦相似度是AI判断"两段话像不像"的核心工具。它不看两个向量离得多远，只看它们的夹角——方向越一致，越相似，分数越接近1。

之所以用夹角而不是直线距离，是为了甩掉"长度"的干扰：一个词和一整句话长度悬殊，但只要方向一致，余弦相似度照样判定它们意思相近。整段话则先合成一个句向量，再两两比夹角。

"理解意思"这件虚事，到这里彻底变成了"算夹角"这件实事。我们已经走完了从Token、Embedding、向量空间到相似度的全过程。下一篇做个收尾：把这一整条"从你打字到变成模型能算的数字"的流水线，完整地串一遍。