AI基础

欧氏距离用来衡量两组特征整体的远近程度，同时兼顾方向与数值幅度，是结构化数值对比的首选方法。

用供应链业务案例讲透Self-Attention：一份数据内部互相查找关联，Q/K/V全部来自同一数据源，是理解Transformer的第一块基石。

详解向量相似度判断的底层逻辑：向量不是逐字编码，而是整体语义的打包。通过余弦相似度衡量方向重合度。

多头注意力赋予注意力多种子表达方式，8组独立QKV矩阵并行分析，同时捕捉因果、时序、实体、动作等多种关系。

物流网点片区划分、配送路线聚合场景中，欧氏距离不只判断地理远近，还能兼顾货量、时效等量化指标。

欧氏距离同时考量特征方向和数值大小，适合结构化数值聚类、备件指标分类、坐标点位匹配等场景。

通过Q-K点积自动算出任意两条业务信息之间关联程度，详解Thing、query-vector、key-vec等概念，区分点积与余弦相似度的本质差异。

点积是一套快速计算公式，用来衡量两组向量大方向是否一致，输出一个数字代表匹配程度，是注意力机制计算关联程度的基础运算。