Embedding 如何表示语义相似度？余弦相似度和向量空间怎么理解？
上篇我们聊了 Embedding 的本质——它是怎么把"苹果"变成一串数字的。但光有数字还不够，机器怎么知道两个数字串"像不像"？
这才是 Embedding 真正厉害的地方。
为什么"苹果"会有三个意思？
你跟朋友发消息说"今天买了袋苹果"，对方秒懂你说的是水果。
换成"我准备换苹果了"，对方立刻反应过来你聊的是手机。
公司开会时说"今年苹果的股价又涨了"，大家心照不宣指的是那家科技公司。
这三个"苹果"，文字一模一样，发音一模一样。但人类看一眼就知道意思完全不同。
问题来了：机器怎么分辨？
人类靠的是经验和上下文。机器靠的是——向量空间。
Embedding 把语言翻译成了地址
还记得上篇说的吗？Embedding 本质上是个"翻译官"。
它把任何文本翻译成一段固定长度的数字。这段数字不是乱写的——它记录了这句话的"语义特征"。
你把"我爱吃苹果"这句话扔进 Embedding 模型，它吐出来的可能是一串 768 位的数字。
这串数字不是随机生成的。每一位数字都对应着某种语义维度：可能是"水果属性"、"科技属性"、"积极情感"、"消极情感"……
语义相近的句子，翻译出来的数字也"相近"。
这就好像每句话都有一个专属地址。意思相近的句子，地址也相近。意思完全不同的句子，地址可能隔着十万八千里。
向量空间：语义的地图
想象你手里有一张地图。
地图上有"开心"、"高兴"、"快乐"这几个词，它们挤在一起。
地图另一头是"难过"、"悲伤"、"伤心"，它们也挤在一起。
这两堆词分别代表了"积极情感"和"消极情感"。
而"苹果"这个词？它正好坐落在"水果"和"科技公司"两个区域的交界处。
这张地图，就是向量空间。
真实模型里的向量空间可不止两维，可能是 768 维，也可能是 1536 维。但原理是一样的——每个维度代表一种语义特征，每个句子在这个多维空间里都有一个位置。
语义相似的句子，在这个空间里位置相近。语义相反的句子，位置相对。
两个文本向量离得越近，意思越可能相近。就像现实世界里的邻居。
怎么衡量"有多像"？余弦相似度登场
好了，现在我们知道每个句子在向量空间里有个位置。
但机器怎么计算"这两个句子有多像"？
这就需要一个数学工具——余弦相似度。
它不是量两个点的直线距离，而是看两个向量的"夹角"。
夹角越小，方向越一致，语义越接近。夹角越大，方向越偏离，语义越不同。
你可能会问：为什么看夹角而不是看距离？
因为夹角只看"方向"，不看"长度"。
两个句子意思完全一样，但一个长一个短。距离可能差很远，但方向几乎一样。余弦相似度告诉你：它们其实很"像"。
就像两个人朝同一个方向走，一个走了100米一个走了10米。目的地可能不同，但方向一致，说明他们要去的地方"语义相近"。
实操一下：看相似度数值长什么样
说理论太虚，我们来点真的。
用 Python 加载一个 Embedding 模型，把两句话丢进去：
from sentence_transformers import SentenceTransformer
import numpy as np
model = SentenceTransformer('all-MiniLM-L6-v2')
# 两句意思相近的话
text1 = "The is a happy person"
text2 = "The is a very happy person"
vec1 = model.encode(text1)
vec2 = model.encode(text2)
# 计算余弦相似度
cos_sim = np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))
print(f"相似度: {cos_sim:.2f}")结果是多少？0.94。
将近满分。机器告诉你：这两句话意思高度接近。
换一组试试：
text1 = "今天天气真好"
text2 = "这件衣服真难看"
vec1 = model.encode(text1)
vec2 = model.encode(text2)
cos_sim = np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))
print(f"相似度: {cos_sim:.2f}")结果是多少？0.26。
机器的判断是：这两句话几乎不相关。
是不是很像给句子量体温？0.9 以上是"高烧"——意思很接近。0.5 左右是"低烧"——有点关系但不确定。0.3 以下是"正常"——八竿子打不着。
向量数据库：让搜索从"找关键词"变成"找意思"
现在你明白了 Embedding 和余弦相似度。
但实际应用中，你可能有几十亿句话。查询一句话和哪句最像，怎么找？
总不能遍历几十亿次、每次都计算余弦相似度吧？
向量数据库就是干这个的。
它专门存储 Embedding 产生的向量，并且针对"在高维空间里找最近的邻居"这个需求做了优化。
常见的有 Pinecone、Milvus、Redis（支持向量索引）、Chroma 等等。
工作流程是这样的：
你输入"用户想找什么"，这句话先被 Embedding 模型翻译成向量。然后向量数据库用特殊算法（比如 HNSW、IVF）快速找到和它夹角最小的那几个向量。最后返回对应的原始文本。
这就是所谓的"语义搜索"——不是匹配关键词，而是理解你要找的意思。
比如你搜"拍照好看的手机"，返回的不是包含"手机"的文章，而是真正讨论"摄影功能强"的文章。
甚至你搜"How to lose weight fast"，向量数据库能找到中文的"快速减肥方法"，因为它们在这个语义空间里位置很近。
这只是第一把钥匙
从"苹果"到"今日阳光明媚"，机器理解语义的过程，本质上是把模糊的人类语言翻译成精确的数学语言。
Embedding 给了每句话一个坐标。余弦相似度能量出任意两个坐标有多"像"。
有了这两样东西，AI 第一次真正"读懂"了文本的意思，而不只是匹配字符。
但问题来了：Embedding 模型那么多，维度有 128 的、384 的、768 的、1536 的，中文的、英文的、收费的、免费的……
到底该怎么选？选错了会怎样？
下篇我们就来聊聊：文本 Embedding 模型怎么选？维度、中文效果和成本怎么看？