---
id: P-REINFORCE-AUTO-SIME-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.96
tags: [auto-reinforced, mathematics, similarity-metrics, statistics, vector-space]
last_reinforced: 2026-04-20
---

# [[Similarity-Metrics|Similarity-Metrics]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터 사이의 거리 측정법: 서로 다른 두 정보가 얼마나 닮았는지를 수학적으로 정의하여, 추천 시스템과 검색 엔진이 '비슷한 것'을 찾아낼 수 있게 하는 지능의 척도."

## 📖 구조화된 지식 (Synthesized Content)
유사도 측정 지표(Similarity Metrics)는 벡터 공간에 표현된 데이터 객체 간의 거리나 상관관계를 정량화하는 수학적 방법론입니다.

1.  **핵심 지표 (Core Metrics)**:
    *   **Cosine Similarity**: 두 벡터 사이의 각도를 측정. 텍스트 데이터처럼 크기(Magnitude)보다 방향성이 중요할 때 주로 사용.
    *   **Euclidean Distance**: 공간상의 직선거리. 데이터의 절대적인 값이 중요할 때 사용.
    *   **Manhattan Distance**: 격자 모양의 경로 거리 (L1 Norm).
    *   **Jaccard Similarity**: 집합 간의 교집합 비중을 측정. 범주형 데이터 비교에 적합.
2.  **활용 분야**:
    *   **RAG (검색 증강 생성)**: 질문과 가장 유사한 지식 조각을 벡터 DB에서 찾는 핵심 알고리즘.
    *   **Recommender Systems**: 내가 본 영화와 가장 '유사한' 취향의 영화 추천.
    *   **Anomaly Detection**: 다른 데이터들과의 거리가 너무 먼 '이상치' 식별.
3.  **선택 기준**:
    *   데이터의 차원수, 정규화 여부, 비즈니스 목적에 따라 적절한 지표 선택이 시스템 성능을 좌우함.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 단순한 거리 측정만으로 충분했으나, 고차원 데이터가 폭증하며 '차원의 저주' 문제가 발생. 이에 따라 단순히 가깝다고 비슷한 것이 아니라 의미적으로 유사한지를 파악하는 '임베딩 기반 유사도'로 정책이 이동함(RL Update).
- **정책 변화(RL Update)**: 개인화 추천 정책 수립 시, 단순히 과거 유사도만 따지는 것이 아니라 유저의 '의도 변화'를 실시간 반영하는 가변적 유사도 가중치 정책이 표준화됨.

## 🔗 지식 연결 (Graph)
- Vector Semantics, [[RAG (검색 증강 생성)|RAG (검색 증강 생성)]], [[Statistics & Data Analysis|Statistics & Data Analysis]], Information Extraction (IE), [[Principles-of-Data-Connect|Principles-of-Data-Connect]]
- **Modern Tech/Tools**: Faiss (Facebook AI Similarity Search), Scipy Spatial, Pinecone.
---