# 余弦相似度与欧氏距离

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 2 章 模型评估
- 页码线索：033
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：similarity, embedding, RAG

## 面试问题

为什么有些场景要用余弦相似度而不是欧氏距离？

## 30 秒回答

余弦相似度关注方向而不是长度，适合文本、用户兴趣、embedding 等高维稀疏或语义向量场景；欧氏距离更关注绝对数值差异。

## 展开要点

- 文本向量长度可能受文档长短影响，方向更能表达主题。
- 向量归一化后，余弦相似与内积/欧氏距离有联系。
- 余弦不是所有条件下的严格距离。
- 选择距离度量要结合表示方式和业务含义。

## 高频追问

- embedding 检索为什么常用 cosine？
- 向量归一化会改变什么？
- 距离函数选错会造成什么线上问题？

## 项目映射

- RAG 召回、相似问题匹配、用户兴趣聚类都可以讲。
- 准备一个关键词相同但语义不同的检索误召回案例。

## AI PM 迁移

AI PM 需要知道向量检索不是魔法，距离函数和 embedding 训练目标共同决定召回质量。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。