如何在多维点积计算中正确识别相同向量？

当需要计算两两向量的余弦相似度时，一维场景下直接用点积除以两个向量的范数可以得到正确结果（相同向量输出1），但多维场景（每行代表一个向量）下原代码逻辑错误，无法得到对角元素为1的预期结果。

原一维正确代码 #

import numpy as np

a = np.array([0.8, 0.5])
b = np.array([0.8, 0.5])
x = a @ b / np.linalg.norm(a) / np.linalg.norm(b)
print(x) # 输出: 1.0

原多维错误代码及问题 #

import numpy as np

a = np.array([[0.8,0.5],[0.4,1]])
b = np.array([[0.8,0.5],[0.4,1]])
x = a @ b / np.linalg.norm(a) / np.linalg.norm(b)
print(x) # 输出: [[0.4097561  0.43902439] [0.35121951 0.58536585]]
# 预期输出: [[1 0.43] [0.35 1]]（对角元素为1，非对角为对应向量的相似度）

错误原因分析 #

1. a @ b是矩阵乘法，不是两两行向量的点积，得到的结果不符合余弦相似度的计算逻辑；
2. np.linalg.norm(a)默认计算整个矩阵的Frobenius范数，而非每行向量的L2范数，导致分母错误。

修正后的代码 #

import numpy as np

a = np.array([[0.8,0.5],[0.4,1]])
b = np.array([[0.8,0.5],[0.4,1]])

# 计算每行向量的L2范数，axis=1指定按行计算，reshape为列向量方便广播
norm_a = np.linalg.norm(a, axis=1).reshape(-1, 1)
norm_b = np.linalg.norm(b, axis=1).reshape(-1, 1)

# 计算两两行向量的点积：a的每行与b的每行做点积，用a @ b.T实现
dot_product = a @ b.T

# 计算余弦相似度矩阵
similarity = dot_product / norm_a / norm_b.T

print(np.round(similarity, 2))
# 输出:
# [[1.   0.43]
#  [0.35 1.  ]]

关键逻辑说明 #

• np.linalg.norm(a, axis=1)：按行计算每个向量的L2范数，得到形状为(n,)的数组，reshape(-1,1)转成(n,1)的列向量，确保后续除法能正确广播；
• a @ b.T：将b转置后，矩阵乘法的结果中，第(i,j)个元素是a的第i行向量与b的第j行向量的点积，正好对应两两向量的点积需求；
• 除法操作利用numpy的广播机制，自动将每个点积元素除以对应两个向量的范数乘积，最终对角元素为相同向量的相似度（值为1），非对角元素为对应向量的余弦相似度。

内容的提问来源于stack exchange，提问作者Zac