余弦相似度原理通俗版：中文文本相似度检测接口背后的"余弦定理与新闻分类"

# 余弦相似度原理通俗版：中文文本相似度检测接口背后的"余弦定理与新闻分类" > 元信息：接口/接入点 中文文本相似度检测接口（294/1、294/2）· 免费 · 返回格式 JSON · 适用人群 想"知其所以然"的开发者 · 阅读时间 约 7 分钟 ## 核心要点 - 本接口算法源于 Google 黑板报《数学之美（余弦定理和新闻分类）》，核心是把文本变成向量，用**向量夹角余弦**衡量相似度。 - 余弦值越接近 1，夹角越小，两文本越相似；等于 1 表示方向完全一致。 - 理解原理能帮你解释"为什么改写会被判相似""为什么短文本更敏感"，从而更合理地设阈值。 ## Why：懂原理才能用得稳 只看 `like` 数字，你永远在猜"0.8 算不算像"。懂了余弦相似度，你就知道它比的是"用词取向"而非"字面一致"——这直接解释了接口的很多行为：同义改写仍可能高分、乱序不影响、长度差异有讲究。知其所以然，阈值才设得有底气。 ## What：一句话原理 把两段文本各自变成一个高维向量（每个维度代表某个词的出现情况），然后算这两个向量的**夹角余弦**。夹角越小 → 余弦越接近 1 → 文本越相似。 ## How：从一句话到向量 ### 步骤 1：分词与向量化（直觉版） 假设词典只有三个词 `[天气, 公园, 吃饭]`： - 文本 A "今天天气好去公园" → 向量 `[1, 1, 0]` - 文本 B "天气不错去公园走走" → 向量 `[1, 1, 0]` 两者向量方向一致，余弦 = 1，判定高度相似。 ### 步骤 2：余弦公式 ``` cos(θ) = (A · B) / (|A| × |B|) ``` - `A · B`：两向量对应维度相乘再求和（点积） - `|A|`、`|B|`：向量长度（模） 点积大、模长适中 → 余弦接近 1。 ### 步骤 3：和接口的关系 接口内部完成了"分词 → 向量化 → 算余弦"的全过程，对外只暴露 `like`/`likeValue`（即余弦值）。你无需自己实现向量化，理解了它比的是"用词取向"即可。 ## 返回示例与解析 接口返回的 `like = 0.8164965809277261` 这类值，本质就是余弦值。越接近 1 越像，越接近 0 越不相关。 ## 进阶 / 边界 - **同义改写仍可能高分**："天气好去公园"与"气候不错逛公园"用词不同但取向接近，余弦可能不低——这是算法特性，不是缺陷。 - **短文本更敏感**：字数越少，向量维度越稀疏，少量词差异对夹角影响更大。 - **不区分语义真假**：它只衡量"像不像"，不判断"对不对"，别拿来做事实核验。 - **仅中文**：原理层也受语言限制约束，英文/数字不参与。 ## FAQ **Q1：like 值到底是怎么算出来的？** 接口内部把文本转成向量后计算向量夹角的余弦，返回值就是该余弦值，范围 0~1。 **Q2：为什么两段字面不同但 like 很高？** 余弦比的是用词取向而非字面一致；同义改写、换序不改变整体取向，所以仍可能高分。 **Q3：余弦相似度和编辑距离有什么区别？** 编辑距离看"改几个字"，余弦看"用词向量夹角"。本接口用的是余弦思路，对同义改写更鲁棒，但对纯字面错别不敏感。 **Q4：值等于 1 一定代表完全相同吗？** 不一定。余弦=1 表示向量方向一致（用词取向相同），但不保证字面逐字相同，需结合业务判断。 ## 下一步阅读 - [相似度阈值怎么定？用中文文本相似度检测接口做判重的工程实践](https://www.showapi.com/guides/text-similarity-threshold-294) - [中文文本相似度检测接口返回字段全解：like / likeValue / mostLike / ret_code 一文读懂](https://www.showapi.com/guides/text-similarity-response-fields-294) - [中文文本相似度检测接口：5 分钟从注册到第一条相似度结果](https://www.showapi.com/guides/text-similarity-quickstart-294) - **本系列共 12 篇**：查看[中文文本相似度检测接口指南总目录](https://www.showapi.com/guides/text-similarity-guides-294)