业务语言讲解：欧氏距离
通俗比喻
同样沿用「向量=原点伸出去的箭头」模型。 余弦相似度：只看两根箭头朝哪个方向。 欧氏距离：直接看两根箭头顶端，相隔有多远。
想象场景：办公室里，从同一个大门（原点）两个人各自往前走一段路。
- 余弦：只关心两个人前进的朝向一不一致；走快走慢不管。
- 欧氏距离：直接量两个人最终站定位置之间的直线距离。两人站得越近，数值越小，代表越相似。
分值规则（和余弦区分开，重点！）
- 欧氏距离 ≥0，没有负数
- 数值越小 → 两者越相像；数值越大 → 差别越大
和余弦刚好相反：余弦是越大越相似。
供应链实例对比
A：汽车配件缺货 B：零部件库存不足 C：配件缺货！大量订单等待发货，紧急需求
- A 和 B：方向一致，长短接近 余弦相似度高，欧氏距离很小
- A 和 C：表达核心意思一样（缺料），但是C信息更长、特征更多 ✅余弦相似度依然很高（方向相同） ⚠️欧氏距离会变大！因为向量箭头一短一长，终点相隔很远。
这就是文本检索很少用欧式距离的核心痛点： 同样语义，句子长短不一样，很容易被判定为不相似。
两个指标业务场景怎么选（直接可用在方案里）
余弦相似度（优先用于文本、工单检索、语义匹配）
关注点：核心含义方向 不受句子长短、描述详略影响。 适合：自由文本比对、售后工单自动归类、模糊搜索。
欧氏距离（优先用于数值指标对比）
关注点：整体位置远近，方向+幅度一起考量 适合：标准化指标对比。 举例：预测备件月度需求、客户多维度画像（销售额、下单频次、回款周期）。
一句话PPT摘要
欧氏距离用来衡量两组特征整体的远近程度，同时兼顾特征方向与数值幅度；文本语义匹配场景不占优势，更适合结构化数字指标之间的相似度判断。
串联总结方便你一次性理清
文字→向量 两种评判方式：
- 看箭头朝向 = 余弦相似度（文本语义首选）
- 看终点直线间隔 = 欧氏距离（结构化数值首选）
黑公网安备23000002000105号