[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,89 +2,178 @@
|
||||
id: wiki-2026-0508-similarity-metrics-in-ai
|
||||
title: Similarity Metrics in AI
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [AI-MET-SIM-001]
|
||||
aliases: [Similarity Measures, Distance Metrics, Vector Similarity]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [ai, machine-learning, Similarity-Metrics, cosine-similarity, euclidean-distance, jaccard-similarity, vector-space]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [similarity, embeddings, retrieval, vector-search]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: numpy/faiss/sentence-transformers
|
||||
---
|
||||
|
||||
# Similarity Metrics in AI (AI에서의 유사도 메트릭)
|
||||
# Similarity Metrics in AI
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 고차원 벡터의 좌표로 변환하고, 그들 사이의 '거리'와 '각도'를 측정하여 보이지 않는 의미적 유사성을 수치화하라" — 두 데이터 객체가 서로 얼마나 닮았는지 정량적으로 측정하기 위한 수학적 척도들의 총합.
|
||||
## 매 한 줄
|
||||
> **"매 similarity 의 metric choice 는 매 retrieval / clustering / matching quality 의 결정"**. 매 cosine 의 dominant 의 dense embedding semantic search, 매 Jaccard 의 set overlap, 매 edit distance 의 string fuzzy matching. 매 2026 의 modern stack 의 normalized cosine + ANN (HNSW/IVF-PQ) 의 standard.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** "Vector Distance and Semantic Proximity" — 텍스트, 이미지, 사용자 행동 등을 수치 벡터로 투영하고, 선택한 메트릭에 따라 기하학적 거리를 계산하여 분류, 클러스터링, 추천 등에 활용하는 패턴.
|
||||
- **주요 유사도 메트릭:**
|
||||
- **Cosine Similarity:** 두 벡터 사이의 각도 측정. 벡터의 크기보다 '방향(의미)'이 중요할 때(예: 텍스트 분석) 최적.
|
||||
- **Euclidean Distance:** 두 점 사이의 직선 거리. 데이터의 물리적 수치 차이가 중요할 때 사용.
|
||||
- **Jaccard Similarity:** 두 집합 사이의 겹침 정도 측정. 키워드 공유 여부 분석에 용이.
|
||||
- **Manhattan Distance:** 격자 구조에서의 거리. 고차원 데이터에서 유클리드 거리의 한계를 보완할 때 사용.
|
||||
- **의의:** 시맨틱 검색, 추천 시스템, 중복 데이터 제거 등 현대 AI 서비스의 거의 모든 '비교' 로직의 핵심 수학적 근간.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 단순히 거리가 가까우면 비슷하다는 가정을 넘어, 이제는 데이터의 분포와 밀도를 고려한 마할라노비스 거리(Mahalanobis Distance)나 학습된 신경망 기반의 유사도 측정(Deep Metric Learning)이 복잡한 데이터 분석의 표준이 됨.
|
||||
- **정책 변화:** Antigravity 프로젝트는 지식 문서 간의 연관 관계 산출 시, 문맥적 의미 보존율이 높은 코사인 유사도를 기본 메트릭으로 채택하며 필요에 따라 리랭킹 모델을 병행함.
|
||||
### 매 Vector metrics
|
||||
- **Cosine similarity**: `dot(a,b) / (||a|| * ||b||)` — 매 magnitude-invariant. 매 embedding 의 default.
|
||||
- **Dot product**: 매 normalized embedding 의 cosine 과 equivalent. 매 faster (no division).
|
||||
- **Euclidean (L2)**: 매 raw distance. 매 cluster centroid / k-means 의 use.
|
||||
- **Manhattan (L1)**: 매 robust to outliers. 매 sparse feature 의 use.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Semantic-Search|Semantic-[[Search]]-with-AI]], Vector-Database-Foundations, [[Recommendation-Systems|Recommendation-Systems]], Cluster-[[Analysis|Analysis]]-Techniques
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Similarity-Metrics-in-AI.md
|
||||
### 매 Set / String metrics
|
||||
- **Jaccard**: `|A ∩ B| / |A ∪ B|` — 매 set / token overlap.
|
||||
- **Levenshtein (edit distance)**: 매 character-level fuzzy match.
|
||||
- **Hamming**: 매 fixed-length binary / hash 의 distance.
|
||||
- **Tanimoto**: 매 chemistry / fingerprint similarity.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. **Semantic search** — sentence-transformer embedding + cosine + FAISS HNSW.
|
||||
2. **Deduplication** — MinHash + Jaccard 의 near-duplicate detection.
|
||||
3. **Recommendation** — user/item embedding cosine.
|
||||
4. **Fuzzy matching** — record linkage 의 Levenshtein / Jaro-Winkler.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Cosine similarity (numpy)
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
def cosine_sim(a: np.ndarray, b: np.ndarray) -> float:
|
||||
return float(np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b) + 1e-12))
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
def cosine_matrix(A: np.ndarray, B: np.ndarray) -> np.ndarray:
|
||||
A_n = A / (np.linalg.norm(A, axis=1, keepdims=True) + 1e-12)
|
||||
B_n = B / (np.linalg.norm(B, axis=1, keepdims=True) + 1e-12)
|
||||
return A_n @ B_n.T
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Sentence embedding + FAISS (2026 stack)
|
||||
```python
|
||||
from sentence_transformers import SentenceTransformer
|
||||
import faiss
|
||||
import numpy as np
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
model = SentenceTransformer("BAAI/bge-large-en-v1.5")
|
||||
docs = ["alpha doc", "beta doc", "gamma doc"]
|
||||
emb = model.encode(docs, normalize_embeddings=True).astype("float32")
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
index = faiss.IndexHNSWFlat(emb.shape[1], 32)
|
||||
index.metric_type = faiss.METRIC_INNER_PRODUCT # cosine via normalized
|
||||
index.add(emb)
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
q = model.encode(["alpha"], normalize_embeddings=True).astype("float32")
|
||||
D, I = index.search(q, k=3)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Jaccard via MinHash (datasketch)
|
||||
```python
|
||||
from datasketch import MinHash, MinHashLSH
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
def mh(tokens, num_perm=128):
|
||||
m = MinHash(num_perm=num_perm)
|
||||
for t in tokens:
|
||||
m.update(t.encode("utf-8"))
|
||||
return m
|
||||
|
||||
lsh = MinHashLSH(threshold=0.7, num_perm=128)
|
||||
lsh.insert("doc1", mh("the quick brown fox".split()))
|
||||
lsh.insert("doc2", mh("the quick brown dog".split()))
|
||||
print(lsh.query(mh("the quick brown fox jumps".split())))
|
||||
```
|
||||
|
||||
### Levenshtein (rapidfuzz)
|
||||
```python
|
||||
from rapidfuzz.distance import Levenshtein
|
||||
from rapidfuzz import fuzz, process
|
||||
|
||||
print(Levenshtein.distance("kitten", "sitting")) # 3
|
||||
print(fuzz.ratio("apple inc.", "apple, inc")) # ~95
|
||||
|
||||
choices = ["Acme Corp", "Apple Inc.", "Microsoft"]
|
||||
print(process.extractOne("aple", choices, scorer=fuzz.ratio))
|
||||
```
|
||||
|
||||
### Euclidean vs cosine (when matters)
|
||||
```python
|
||||
# Cosine: angle only — magnitude ignored
|
||||
a = np.array([1.0, 0.0]); b = np.array([10.0, 0.0])
|
||||
# cosine(a,b) = 1.0 (identical direction)
|
||||
# euclidean(a,b) = 9.0 (very different magnitude)
|
||||
```
|
||||
|
||||
### Hybrid retrieval (BM25 + dense)
|
||||
```python
|
||||
# 매 modern RAG 의 default — sparse + dense fusion
|
||||
from rank_bm25 import BM25Okapi
|
||||
import numpy as np
|
||||
|
||||
tokenized = [d.split() for d in docs]
|
||||
bm25 = BM25Okapi(tokenized)
|
||||
sparse_scores = bm25.get_scores("alpha doc".split())
|
||||
dense_scores = (emb @ q.T).flatten()
|
||||
|
||||
# Reciprocal Rank Fusion
|
||||
def rrf(rankings, k=60):
|
||||
scores = {}
|
||||
for ranking in rankings:
|
||||
for rank, doc_id in enumerate(ranking):
|
||||
scores[doc_id] = scores.get(doc_id, 0) + 1 / (k + rank)
|
||||
return sorted(scores.items(), key=lambda x: -x[1])
|
||||
```
|
||||
|
||||
### Tanimoto (binary fingerprint)
|
||||
```python
|
||||
def tanimoto(a: np.ndarray, b: np.ndarray) -> float:
|
||||
inter = np.sum(a & b)
|
||||
union = np.sum(a | b)
|
||||
return inter / union if union else 0.0
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Dense embedding | Cosine (or normalized dot) |
|
||||
| K-means / GMM | Euclidean |
|
||||
| Token / set overlap | Jaccard |
|
||||
| String fuzzy match | Levenshtein / Jaro-Winkler |
|
||||
| Binary fingerprint | Hamming / Tanimoto |
|
||||
| Large-scale ANN | HNSW (cosine) or IVF-PQ |
|
||||
|
||||
**기본값**: normalized embedding + cosine + HNSW.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Embeddings]] · [[Vector-Search]]
|
||||
- 변형: [[Cosine-Similarity]] · [[Jaccard-Index]] · [[Levenshtein]]
|
||||
- 응용: [[Semantic-Search]] · [[Deduplication]] · [[RAG]]
|
||||
- Adjacent: [[Sentence-Transformers]] · [[FAISS]] · [[ANN-Algorithms]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: semantic similarity, paraphrase detection, dedup of LLM outputs, eval (semantic equivalence).
|
||||
**언제 X**: exact match required, ordinal / numeric distance — use direct comparison.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Unnormalized cosine**: 매 forgetting normalization → magnitude bias.
|
||||
- **L2 on sparse high-D**: 매 curse of dimensionality — cosine more robust.
|
||||
- **Single metric**: 매 hybrid (sparse + dense) 의 better recall.
|
||||
- **Brute force at scale**: >1M vectors 의 ANN required.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (FAISS docs, sentence-transformers, rapidfuzz).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — full content with metric patterns + hybrid retrieval |
|
||||
|
||||
Reference in New Issue
Block a user