余弦相似度计算公式看：余弦相似度Cosine Similarity相关计算公式。
余弦相似度在度量各种相似度上比较常用。
案例：文本相似度
比如有下面两个句子，我们要计算这两个句子的相似度。
句子A：他不仅是一个歌手，还是一个舞者；
句子B：他既是一个歌手，也是一个舞者。
我们从词频入手，来计算其相似性。
分词后的词频数据如下：
句子A: 他（1） 不仅（1） 既（0） 是（2） 一个（2） 歌手（1） 还（1） 也（0） 舞者（1）
句子B：他（1） 不仅（0） 既（1） 是（2） 一个（2） 歌手（1） 还（0） 也（1） 舞者（1）
我们总结出来两个句子的词频向量：
句子A(1,1,0,2,2,1,1,0,1)
句子B(1,0,1,2,2,1,0,1,1)
A和B的余弦相似度计算如下：
想要利用余弦相似性公式来计算两者之间的相似性，首先要确定向量化的方法（比如本案例中，通过将连个句子通过分词的方式，计算词频来向量化），理解向量值的多维度（我们通过分词可以得出来9各维度的向量值），然后将向量化后将值带入到公式中，去计算相似度。
用户相似度
比如一个外卖平台,两个用户A和B，外卖新出了两款新品套餐，分别是a和b,用户A对这两款新品的评分是1分和2分，b对这两款新品的评分是4分和5分，我们通过余弦相似度来评价一下两个用户的相似度。
假如我们将对这新品套餐评分作为特征向量，两个产品的评分分别连个维度的向量值，是那么A和B的特征向量分别是（1,2）、（4、5），我们代入公式计算得出：0.98。
通过公式计算发现两个相似度很高，但是这跟我们直觉判断这两个应该相似度很低才是，这说明我们选定好评价的特征向量后，对于向量值的的确定出现了问题，我们对（1,2）、（4、5）进行转换，变成与平均分3的差额，的出来新的向量值（-2，-1）、（1、2）之后，重新计算得出相似度为-0.8，那么我们看这个结果比较接近事实。
通过这个案例我们可以看到：再找到特征向量后，对于向量值的取值与评价也需要灵活考虑，可以结合统计学知识。
上述两个例子来自：AI产品经理需要了解的数据知识：余弦相似度
评委打分
歌手大赛，三个评委给三个歌手打分，第一个评委的打分（10，8，9）， 第二个评委的打分（4，2，3），第三个评委的打分（8，10，9）。
如果采用余弦相似度来看每个评委的差异，虽然每个评委对同一个选手的评分不一样，但第一、第二两个评委对这三位歌手实力的排序是一样的，只是第二个评委对满分有更高的评判标准，说明第一、第二个评委对音乐的品味上是一致的。
