Alle Herausforderungen
Einfach 0 gelöst 0% Erfolgsquote

Kosinus-Ähnlichkeit

Miss die Ähnlichkeit zweier Vektoren über den Winkel zwischen ihnen, wie Suchmaschinen es mit Embeddings tun.

Das lernst du

  • Ähnlichkeit über den Winkel messen
  • Skalarprodukte und Vektornormen berechnen
  • Verstehen, wie semantische Suche Texte vergleicht

Problem

Die Kosinus-Ähnlichkeit vergleicht die Richtung zweier Vektoren und ignoriert ihre Länge. Die semantische Suche nutzt sie, um Texte mit ähnlichen Embeddings zu finden:

cos(a, b) = (a · b) / (|a| × |b|), wobei |a| = √(a₁² + a₂² + … + aₙ²)

Das Ergebnis ist 1 bei gleicher Richtung, 0 bei senkrechten Vektoren und -1 bei entgegengesetzter Richtung. Besteht einer der Vektoren nur aus Nullen, gib 0 zurück.

Implementiere cosine_similarity(a, b).

Eingabe

a, b: Zwei Zahlenlisten gleicher Länge.

Ausgabe

Gib die Kosinus-Ähnlichkeit als Dezimalzahl zurück.

Einschränkungen

1 ≤ Länge ≤ 1.000

-1.000 ≤ jeder Wert ≤ 1.000

Beispiele

Beispiel 1
Eingabe:
a = [1.0, 0.0]
b = [0.0, 1.0]

Erwartete Ausgabe:
expected = 0.0
Eingabe:
std::vector<double> a = {1.0, 0.0};
std::vector<double> b = {0.0, 1.0};

Erwartete Ausgabe:
double expected = 0.0;
Eingabe:
double[] a = new double[] {1.0, 0.0};
double[] b = new double[] {0.0, 1.0};

Erwartete Ausgabe:
double expected = 0.0;

Erläuterung

Das Skalarprodukt ist 0, also stehen die Vektoren senkrecht aufeinander und die Ähnlichkeit ist 0.

Beispiel 2
Eingabe:
a = [1.0, 2.0, 3.0]
b = [2.0, 4.0, 6.0]

Erwartete Ausgabe:
expected = 1.0
Eingabe:
std::vector<double> a = {1.0, 2.0, 3.0};
std::vector<double> b = {2.0, 4.0, 6.0};

Erwartete Ausgabe:
double expected = 1.0;
Eingabe:
double[] a = new double[] {1.0, 2.0, 3.0};
double[] b = new double[] {2.0, 4.0, 6.0};

Erwartete Ausgabe:
double expected = 1.0;

Erläuterung

b ist a mal 2: gleiche Richtung, also ist die Ähnlichkeit 1, obwohl die Längen verschieden sind.

So gehst du vor

Versuch es zuerst allein und öffne dann einen Hinweis nach dem anderen.

Hinweis 1

Der Score hängt von der Richtung ab, also berechne zuerst das Skalarprodukt und beide Vektorlängen getrennt.

Hinweis 2

Wenn einer der Vektoren die Länge null hat, ist die Ähnlichkeit per Definition null, statt durch null zu teilen.

Hinweis 3

Verwende für jeden Term denselben Index in beiden Vektoren, und denke daran, dass der Nenner das Produkt der Längen ist.

Erwartete Komplexität

Zeit O(n), zusätzlicher Speicher O(1)

Referenzen

Diese Aufgabe wurde für CodeUtility angepasst. Beachte die oben genannten Vorgaben und Einschränkungen.

Die beste bestandene Lösung jedes Coders. Schnellere, sparsamere und besser bewertete Lösungen stehen weiter oben.

Noch keine bestandene Lösung. Löse sie und hol dir Platz eins.

Von anderen lernen

Community-Lösungen

Noch keine veröffentlichten Lösungen. Löse die Aufgabe und teile als Erster eine Lösung.