概念Euclidean Distance
欧氏距离
衡量向量空间中两点间直线距离的度量方法，是向量相似度计算的基本方式之一，与余弦相似度、点积并列为向量数据库常用的距离度量。
时间轴 (近 90 天)
11月3日
欧氏距离衡量空间中两点间的直线距离，取值从0到无穷，更适合GPS、机器人、空间计算等物理距离有意义的场景。
待验证50%
10月12日
衡量向量距离的主要方式有三种：余弦相似度、欧氏距离（L2）和内积（IP）。
待验证50%
9月11日
对于向量A=(1,1)和B=(2,2)，余弦相似度为1，欧氏距离约为1.41；A和C=(1,0)的余弦相似度约0.707，欧氏距离为1
待验证50%
9月11日
欧氏距离衡量两个向量在空间中的直线距离，对向量的幅度非常敏感，同时考虑方向和大小
待验证50%
9月11日
K-Means聚类算法在标准实现中天然依赖欧氏距离，每一步计算样本点到聚类中心的欧氏距离并分配类别
待验证50%
9月11日
在空间聚类（如K-Means）、图像特征匹配、异常检测等幅度携带重要信息的场景中欧氏距离更为合适
待验证50%
9月11日
余弦相似度和欧氏距离可能对哪两个向量更相似给出截然相反的判断
待验证50%
全部知识事实 (7)
待验证
欧氏距离衡量空间中两点间的直线距离，取值从0到无穷，更适合GPS、机器人、空间计算等物理距离有意义的场景。
50%待验证衡量向量距离的主要方式有三种：余弦相似度、欧氏距离（L2）和内积（IP）。
50%待验证对于向量A=(1,1)和B=(2,2)，余弦相似度为1，欧氏距离约为1.41；A和C=(1,0)的余弦相似度约0.707，欧氏距离为1
50%待验证欧氏距离衡量两个向量在空间中的直线距离，对向量的幅度非常敏感，同时考虑方向和大小
50%待验证K-Means聚类算法在标准实现中天然依赖欧氏距离，每一步计算样本点到聚类中心的欧氏距离并分配类别
50%待验证在空间聚类（如K-Means）、图像特征匹配、异常检测等幅度携带重要信息的场景中欧氏距离更为合适
50%待验证余弦相似度和欧氏距离可能对哪两个向量更相似给出截然相反的判断
50%