为什么你的向量相似度计算总是不准？聊聊归一化和距离度量的正确选择

做向量检索的同学大概都遇到过这样的困惑：明明用了效果不错的嵌入模型，算出来的相似度排序却和人工判断的语义相关性对不上；或者换了一个距离度量，召回结果的质量明显下降。这类问题十有八九不是模型的问题，而是出在两个容易被忽视的环节上——向量是否做了归一化，以及距离度量的选择是否和场景匹配。这篇文章就把这两个问题讲透。

先搞清楚：向量的模长和方向各代表什么

一个向量有两个基本属性：模长和方向。余弦相似度只关心方向，也就是两个向量之间的夹角，取值范围是-1到1，方向完全一致时为1，正交时为0，完全相反时为-1。而欧氏距离（L2距离）同时受模长和方向的影响，两个方向相同但模长差距很大的向量，欧氏距离依然会很大。

这一点在嵌入模型里非常关键。有些模型（比如早期版本的某些句向量模型）输出的向量模长会携带信息量：训练语料越丰富的句子，向量模长可能越大。如果你直接用点积做相似度，模长大的向量会天然占据优势，导致召回结果偏向长文本或者高频词文本，而不是真正语义相近的内容。

所以在动手调优之前，先检查一下你的向量分布。用一个简单脚本把库里所有向量的模长打出来看看，如果模长差异很大（比如从2到20都有），那说明原始向量不适合直接做点积检索，要么归一化，要么换度量方式。

归一化为什么能解决大部分相似度失真问题

归一化的操作很简单，把向量除以它自己的模长，让它变成单位向量：

import numpy as np

def normalize(vectors):
    """L2归一化：除以模长，变成单位向量"""
    norms = np.linalg.norm(vectors, axis=1, keepdims=True)
    # 防止除零，给零向量加一个极小值
    norms = np.maximum(norms, 1e-12)
    return vectors / norms

vecs = np.array([[3.0, 4.0], [1.0, 0.0]])
print(np.linalg.norm(normalize(vecs), axis=1))
# 输出: [1. 1.]，全部变成单位向量

归一化之后会发生一件很妙的事情：欧氏距离和余弦相似度变成单调等价关系。推导很简单，对于两个单位向量a和b，它们的欧氏距离平方可以展开：

# ||a - b||^2 = ||a||^2 + ||b||^2 - 2*a·b
# 归一化后 ||a|| = ||b|| = 1，所以：
# ||a - b||^2 = 2 - 2*cos(theta)
# 即：欧氏距离 = sqrt(2 - 2*cos(theta))

也就是说，归一化之后，欧氏距离越小当且仅当余弦相似度越大，两种度量给出的排序完全一致。这就解释了为什么很多向量数据库（比如Milvus、Faiss的IVF索引）默认要求用户先想清楚用L2还是内积——如果向量是归一化的，两者可以互换；如果没归一化，结果可能天差地别。

但归一化也有需要注意的地方。第一，零向量无法归一化，实际工程里要加保护；第二，归一化会丢掉模长信息，如果你的场景里模长本身有意义（比如推荐系统里用户活跃度编码在模长里），强行归一化反而损失信息；第三，查询向量和库内向量必须用同样的方式处理，只归一化一边是常见的低级错误。

三种度量的选型：欧氏距离、余弦相似度、点积

这三种度量并不是随便挑一个就行，它们各自有明确的适用边界。点积等于余弦相似度乘以两个模长的乘积，所以它是一个“方向加模长”的混合度量。

一个实用的工程技巧是：如果你的目标是余弦相似度，最优做法是预先把库内向量全部归一化，查询时对查询向量也归一化，然后用内积索引（IP）来检索。因为内积计算比余弦公式少了几次开方和除法，在大规模检索里速度优势明显，Faiss这类库对此做了高度优化。

另外要看你的嵌入模型是怎么训练的。像OpenAI的text-embedding系列默认输出归一化向量，直接用点积就是余弦相似度；而有些开源模型训练时用的是对比损失加温度参数，输出向量不归一化，此时用点积检索会出现前文说的模长偏置问题。正确的做法是查一下模型文档，确认训练时用的相似度目标，检索时保持一致。

常见的坑和排查清单

最后整理几个实际项目中高频出现的错误。第一个是索引和度量不匹配：用L2距离建的索引，查询时却按相似度从大到小排，结果顺序完全颠倒。第二个是预处理不一致：入库时做了归一化，查询时忘了做，相似度分数普遍偏低。第三个是浮点精度问题：用float16存储大维度向量时，归一化后的模长会略微偏离1，累积误差在高维空间里不可忽略，建议归一化用float32做完再转存。

import numpy as np

# 排查脚本：验证检索管线的度量一致性
def check_consistency(index_vecs, query_vec, index_metric):
    # 1. 检查库内向量是否归一化
    norms = np.linalg.norm(index_vecs, axis=1)
    print(f"库内向量模长范围: {norms.min():.4f} ~ {norms.max():.4f}")

    # 2. 检查查询向量
    q_norm = np.linalg.norm(query_vec)
    print(f"查询向量模长: {q_norm:.4f}")

    # 3. 如果索引是内积但向量未归一化，给出警告
    if index_metric == "IP" and abs(norms.max() - 1.0) > 0.01:
        print("警告: 使用IP索引但向量未归一化，模长会干扰排序")

排查相似度不准的问题时，建议按这个顺序走：先看向量模长分布，再确认模型训练时的度量目标，然后检查入库和查询两侧的预处理是否一致，最后核对索引构建时声明的度量类型。绝大多数“相似度不准”的案例，都能在这四步里找到原因。

总结一下：归一化让度量选择变得更简单，它把欧氏距离、余弦相似度、点积统一到同一个排序上；而在不能归一化的场景里，就要根据模长是否携带业务信息来谨慎挑选度量方式。把这些基础概念理顺之后，再去调嵌入模型的参数和索引的召回率，效果提升才有意义。

向量相似度余弦相似度归一化修改时间：2026-09-05 21:30:51