Similitud del coseno
La medida de cuán parecidos son dos vectores, definida como el coseno del ángulo entre ellos: el producto escalar dividido por el producto de sus longitudes. La opción por defecto para comparar embeddings.
La gracia es que solo le importa la dirección, no la magnitud. Dos pasajes sobre el mismo tema apuntan en la misma dirección del espacio vectorial aunque uno sea tres veces más largo, y la longitud de un embedding a menudo refleja cosas como la frecuencia más que el significado. El valor va de −1 a 1, aunque en la práctica, con casi todos los modelos de embedding modernos, cae entre 0 y 1. Una optimización habitual: normalizar todos los vectores a longitud 1 y la similitud del coseno pasa a ser idéntica al producto escalar, más barato de calcular — por eso las bases de datos vectoriales prefieren guardar vectores normalizados. Sobre vectores normalizados, la distancia euclídea da el mismo orden.