2nd/10_Wiki/Topics_Blog/Similarity-Metrics.md

id, category, confidence_score, tags, last_reinforced

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

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), Statistics & Data Analysis, Information Extraction (IE), Principles-of-Data-Connect
• Modern Tech/Tools: Faiss (Facebook AI Similarity Search), Scipy Spatial, Pinecone.

---