Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar

Similaridade de Cosseno

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Similaridade de cosseno é o cálculo que os bancos vetoriais usam para medir o quão parecidos são dois vetores de embedding, a partir do ângulo entre eles.

É ela que transforma a busca semântica de um fluxo de RAG em aritmética. O documento e a pergunta viram vetores pelo mesmo modelo de embedding, e o banco vetorial compara o vetor da pergunta com cada vetor armazenado, devolvendo os mais parecidos. Parece mágica, mas é só um cálculo entre vetores.

Como o cálculo funciona e como ler o resultado

O cosseno entre dois vetores A e B é o produto escalar de A por B dividido pelo produto dos módulos de A e de B, na forma cos(θ) = (A · B) / (|A| |B|). A divisão pelos módulos anula o tamanho de cada vetor e deixa só a direção. O que conta é para onde os vetores apontam, não o quão longos eles são.

A leitura do resultado é direta:

  • Perto de 1: os vetores apontam na mesma direção, e o conteúdo é semanticamente semelhante.
  • Longe de 1: o conteúdo vai ficando menos parecido.
  • Perto de -1: os vetores apontam em sentidos opostos.

Numa lista de palavras vetorizadas, a própria palavra lion tem similaridade 1 consigo mesma, e a segunda mais próxima é tiger. Numa pergunta real o valor quase nunca chega a 1. Se a necessidade fosse uma correspondência exata, uma consulta SQL direta seria a ferramenta adequada, e não a busca vetorial.

Limites da busca por similaridade

A similaridade só encontra o que existe na base. Numa coleção que só trata de comida, uma pergunta sobre animais não acha nada semanticamente próximo, e a busca pode não devolver nada útil. O resultado também depende do modelo de embedding: modelos diferentes produzem similaridades diferentes para os mesmos textos, e por isso a consulta precisa usar o mesmo modelo da indexação.

O banco devolve um número fixo de trechos, os mais próximos pelo cosseno. Quando a base tem cópias do mesmo conteúdo, essas cópias empatam no topo e ocupam todas as vagas, que é o sintoma da Duplicação de Embeddings e Chunks. O chunking com sobreposição ajuda no caminho oposto: quando o trecho mais similar tem só parte da resposta, o texto compartilhado com o vizinho indica onde está o resto.