### 计算余弦相似度时的输入类型 在 Python 中，计算余弦相似度时，输入可以是列表或矩阵，但具体取决于所使用的库和函数。以下是详细说明： #### 列表作为输入 如果使用 `numpy` 或者直接实现余弦相似度公式，则可以通过将列表转换为数组来计算。例如，两个向量可以表示为列表形式，并通过以下方式计算余弦相似度[^1]： ```python import numpy as np def cosine_similarity(v1, v2): v1 = np.array(v1) # 将列表转换为 numpy 数组 v2 = np.array(v2) dot_product = np.dot(v1, v2) # 点积 norm_v1 = np.linalg.norm(v1) # 向量 v1 的模 norm_v2 = np.linalg.norm(v2) # 向量 v2 的模 return dot_product / (norm_v1 * norm_v2) v1 = [1, 2, 3] v2 = [4, 5, 6] similarity = cosine_similarity(v1, v2) print(similarity) ``` 上述代码中，`v1` 和 `v2` 是列表形式，但通过 `numpy.array` 转换为数组后进行计算。 #### 矩阵作为输入 当使用 `sklearn` 库时，输入通常需要是矩阵形式。`sklearn.metrics.pairwise.cosine_similarity` 函数接受二维数组（矩阵）作为输入[^3]： ```python from sklearn.metrics.pairwise import cosine_similarity v1 = [[1, 2, 3]] # 注意这里是二维矩阵 v2 = [[4, 5, 6]] matrix = np.vstack((v1, v2)) # 堆叠成一个矩阵 similarity_matrix = cosine_similarity(matrix) print(similarity_matrix) ``` 在此示例中，`cosine_similarity` 函数要求输入为二维数组（即矩阵），每个行向量代表一个样本。 #### PyTorch 的情况 在 PyTorch 中，计算余弦相似度时，输入通常是张量（Tensor）。可以使用 `torch.nn.functional.cosine_similarity` 函数，其输入必须为张量形式[^1]： ```python import torch import torch.nn.functional as F v1 = torch.tensor([1, 2, 3], dtype=torch.float32) v2 = torch.tensor([4, 5, 6], dtype=torch.float32) similarity = F.cosine_similarity(v1.unsqueeze(0), v2.unsqueeze(0)) print(similarity.item()) ``` 这里，`v1` 和 `v2` 必须先转换为张量，并通过 `unsqueeze` 方法调整维度以匹配函数要求。 #### 总结 - 列表可以直接用于简单的自定义实现中，但需要转换为数组或张量。 - 矩阵形式是许多库（如 `sklearn` 和 `PyTorch`）的标准输入格式。 - 如果输入为列表，需确保在计算前将其转换为适当的数组或张量形式。