Similaridade de cosseno
A medida de quão parecidos dois vetores são, definida como o cosseno do ângulo entre eles: o produto escalar dividido pelo produto das magnitudes. A escolha padrão para comparar embeddings.
O ponto central é que a medida só se importa com a direção, não com o tamanho. Dois textos sobre o mesmo assunto apontam para o mesmo lado no espaço vetorial mesmo que um seja três vezes mais longo — e o tamanho de um embedding costuma refletir coisas como frequência, não significado. O valor vai de −1 a 1, mas na prática, para a maioria dos modelos de embedding modernos, fica entre 0 e 1. Uma otimização comum: normalizando todos os vetores para magnitude 1, a similaridade de cosseno vira idêntica ao produto escalar, que é mais barato de calcular — por isso bancos de dados vetoriais costumam guardar os vetores já normalizados. A distância euclidiana dá o mesmo ranking em vetores normalizados.