### 计算两个矩阵的点积相似度 在 Python 中，通过 NumPy 可以非常方便地计算两个矩阵之间的点积相似度。下面详细介绍具体的实现方法。 #### 使用 NumPy 的 `dot` 函数 NumPy 提供了一个内置函数 `np.dot()` 来执行矩阵的点积操作。给定两个矩阵 $ A $ 和 $ B $，其形状分别为 $(m, n)$ 和 $(n, p)$，则它们的点积结果是一个形状为 $(m, p)$ 的新矩阵[^1]。 ```python import numpy as np # 定义两个矩阵 matrix_a = np.array([[1, 2], [3, 4]]) matrix_b = np.array([[5, 6], [7, 8]]) # 计算点积 dot_product = np.dot(matrix_a, matrix_b) print(dot_product) ``` 此代码片段展示了如何使用 `np.dot()` 方法来获取两个矩阵的点积。 #### 归一化的点积相似度 为了获得更加直观的相似度值，通常会对点积的结果进行归一化处理。这可以通过将点积结果除以两个矩阵对应行向量的模长乘积来实现。这种方法实际上是在计算余弦相似度[^3]。 ```python def normalize_vector(v): """Normalize vector v.""" norm = np.linalg.norm(v) if norm == 0: return v return v / norm def cosine_similarity(a, b): """Compute cosine similarity between vectors a and b.""" a_norm = normalize_vector(a) b_norm = normalize_vector(b) return np.dot(a_norm, b_norm) vector_a = np.array([1, 2]) vector_b = np.array([5, 6]) similarity = cosine_similarity(vector_a, vector_b) print(f"Cosine Similarity: {similarity}") ``` 上述代码实现了对单个向量之间余弦相似度的计算。如果要扩展至整个矩阵层面，则需遍历矩阵中的每一行并应用该逻辑。 #### 高效批量计算相似度矩阵 当面对大量数据时，逐一对比可能会显得低效。此时可借助广播机制一次性生成全部组合的相似度得分表。以下展示了一种利用 NumPy 广播特性的解决方案[^2]: ```python def batch_cosine_similarity(X): """ Compute pairwise cosine similarity scores for all rows in X. Args: X (ndarray): Input array of shape (N, D). Returns: ndarray: Pairwise cosine similarity matrix of shape (N, N). """ norms = np.sqrt(np.sum(X ** 2, axis=1, keepdims=True)) normalized_X = X / norms return np.dot(normalized_X, normalized_X.T) data_points = np.random.rand(4, 3) # Random data set with 4 samples and 3 features each similarity_matrix = batch_cosine_similarity(data_points) print(similarity_matrix) ``` 这段程序定义了一个名为 `batch_cosine_similarity` 的函数，它接受一个二维数组作为参数，并返回这些样本间所有的成对比率构成的一个方阵形式输出。 ---