🤖 AI 应用工程ID: vector-distance-metrics

向量距离度量与 L2 归一化

Q: 推导经过 L2 归一化后，L2 距离与余弦相似度之间的数学等价公式？

【向量距离度量与 L2 归一化 核心考点 1】推导经过 L2 归一化后，L2 距离与余弦相似度之间的数学等价公式？。技术解析：定义: 向量距离度量是衡量高维 Embedding 空间中两个向量几何相似性的数学函数，常用度量包括余弦相似度 (Cosine Similarity) \cos(u, v) = \frac{u \cdot v}{\|u\| \|v\|}、欧氏距离 (Euclidean / L2 Distance) d(u, v) = \|u - v\|_2 以及点积 (Dot / Inner Product) \langle u, v \rangle = u \cdot v；当向量预先经过 L2 归一化 (\|u\|_2 = 1) 时，L2 距离与余弦相似度满足单调等价... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/AI_Engineering/card/vector-distance-metrics

Q: 为什么在 GPU/SIMD 上执行点积 (Dot Product) 效率远高于未经归一化的余弦距离？

【向量距离度量与 L2 归一化 核心考点 2】为什么在 GPU/SIMD 上执行点积 (Dot Product) 效率远高于未经归一化的余弦距离？。技术解析：定义: 向量距离度量是衡量高维 Embedding 空间中两个向量几何相似性的数学函数，常用度量包括余弦相似度 (Cosine Similarity) \cos(u, v) = \frac{u \cdot v}{\|u\| \|v\|}、欧氏距离 (Euclidean / L2 Distance) d(u, v) = \|u - v\|_2 以及点积 (Dot / Inner Product) \langle u, v \rangle = u \cdot v；当向量预先经过 L2 归一化 (\|u\|_2 = 1) 时，L2 距离与余弦相似度满足单调等价... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/AI_Engineering/card/vector-distance-metrics

Q: 非归一化向量下，为什么点积检索容易受到文本长度和向量模长的严重偏置影响？

【向量距离度量与 L2 归一化 核心考点 3】非归一化向量下，为什么点积检索容易受到文本长度和向量模长的严重偏置影响？。技术解析：定义: 向量距离度量是衡量高维 Embedding 空间中两个向量几何相似性的数学函数，常用度量包括余弦相似度 (Cosine Similarity) \cos(u, v) = \frac{u \cdot v}{\|u\| \|v\|}、欧氏距离 (Euclidean / L2 Distance) d(u, v) = \|u - v\|_2 以及点积 (Dot / Inner Product) \langle u, v \rangle = u \cdot v；当向量预先经过 L2 归一化 (\|u\|_2 = 1) 时，L2 距离与余弦相似度满足单调等价... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/AI_Engineering/card/vector-distance-metrics

Q: 余弦相似度与曼哈顿距离 (L1) 在高维稀疏向量（如 BM25/SPLADE）中的选型差异？

【向量距离度量与 L2 归一化 核心考点 4】余弦相似度与曼哈顿距离 (L1) 在高维稀疏向量（如 BM25/SPLADE）中的选型差异？。技术解析：定义: 向量距离度量是衡量高维 Embedding 空间中两个向量几何相似性的数学函数，常用度量包括余弦相似度 (Cosine Similarity) \cos(u, v) = \frac{u \cdot v}{\|u\| \|v\|}、欧氏距离 (Euclidean / L2 Distance) d(u, v) = \|u - v\|_2 以及点积 (Dot / Inner Product) \langle u, v \rangle = u \cdot v；当向量预先经过 L2 归一化 (\|u\|_2 = 1) 时，L2 距离与余弦相似度满足单调等价... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/AI_Engineering/card/vector-distance-metrics

Q: 主流向量数据库在创建集合索引时，修改 Metric Type（IP vs COSINE vs L2）是否需要全量重建图索引？

【向量距离度量与 L2 归一化 核心考点 5】主流向量数据库在创建集合索引时，修改 Metric Type（IP vs COSINE vs L2）是否需要全量重建图索引？。技术解析：定义: 向量距离度量是衡量高维 Embedding 空间中两个向量几何相似性的数学函数，常用度量包括余弦相似度 (Cosine Similarity) \cos(u, v) = \frac{u \cdot v}{\|u\| \|v\|}、欧氏距离 (Euclidean / L2 Distance) d(u, v) = \|u - v\|_2 以及点积 (Dot / Inner Product) \langle u, v \rangle = u \cdot v；当向量预先经过 L2 归一化 (\|u\|_2 = 1) 时，L2 距离与余弦相似度满足单调等价... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/AI_Engineering/card/vector-distance-metrics

Vector Distance Metrics & L2 Normalization

🎯核心定义

向量距离度量是衡量高维 Embedding 空间中两个向量几何相似性的数学函数，常用度量包括余弦相似度 (Cosine Similarity)

\cos(u, v) = \frac{u \cdot v}{\|u\| \|v\|}

、欧氏距离 (Euclidean / L2 Distance)

d(u, v) = \|u - v\|_2

以及点积 (Dot / Inner Product)

\langle u, v \rangle = u \cdot v

；当向量预先经过 L2 归一化 (

\|u\|_2 = 1

) 时，L2 距离与余弦相似度满足单调等价关系

d^2(u, v) = 2 - 2\cos(u, v)

，点积亦与余弦相似度完全等价。

💡使用场景

向量数据库 (Milvus, Qdrant) 建立索引配置度量类型、RAG 语义检索召回计算相似度、以及硬件加速矩阵乘法阶段统一输入尺度。

⚡解决的核心痛点

原始余弦相似度在检索时需每次实时计算向量模长

\|u\|

与

\|v\|

，开方与除法运算对 SIMD/GPU 硬件极其昂贵；通过离线 L2 归一化后直接调用 GEMM 点积，大幅降低计算开销与延迟。

🎯5 个高频面试考点 (Exam Points)

推导经过 L2 归一化后，L2 距离与余弦相似度之间的数学等价公式？

为什么在 GPU/SIMD 上执行点积 (Dot Product) 效率远高于未经归一化的余弦距离？

非归一化向量下，为什么点积检索容易受到文本长度和向量模长的严重偏置影响？

余弦相似度与曼哈顿距离 (L1) 在高维稀疏向量（如 BM25/SPLADE）中的选型差异？

主流向量数据库在创建集合索引时，修改 Metric Type（IP vs COSINE vs L2）是否需要全量重建图索引？

📖 关联深度指南:📄 vector-databases-and-hnsw →

更新于 2026-08-14

🎯

检验攻克程度：针对「向量距离度量与 L2 归一化」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。

🚀 开始本考点专项刷题 ➔

下一个知识点 →SQ8/SQ4 标量量化

🔗 更多 AI 应用工程知识点卡片

PQ 乘积量化与码本聚类 ADC 非对称距离计算 IVF 倒排网格与残差量化 HNSW 跳表多层图结构

向量距离度量与 L2 归一化

🔗 更多 AI 应用工程 知识点卡片

🔗 更多 AI 应用工程知识点卡片