코사인 유사도 — 단어 거리 측정

import numpy as np

def cosine_similarity(a, b):
    """두 벡터의 코사인 유사도 계산"""
    dot_product = np.dot(a, b)       # 내적
    norm_a = np.linalg.norm(a)       # A의 크기
    norm_b = np.linalg.norm(b)       # B의 크기
    return dot_product / (norm_a * norm_b)

# 간단한 단어 벡터 (가상)
king   = np.array([0.9, 0.8, 0.2])
queen  = np.array([0.85, 0.75, 0.8])
dog    = np.array([0.1, 0.2, 0.05])

print(f"왕 ↔ 여왕: {cosine_similarity(king, queen):.4f}")
print(f"왕 ↔ 개:   {cosine_similarity(king, dog):.4f}")
print(f"여왕 ↔ 개: {cosine_similarity(queen, dog):.4f}")

# 코사인 유사도 직접 구현
import math

def dot_product(a, b):
    return sum(x * y for x, y in zip(a, b))

def magnitude(v):
    return math.sqrt(sum(x**2 for x in v))

def cosine_similarity(a, b):
    mag_a, mag_b = magnitude(a), magnitude(b)
    if mag_a == 0 or mag_b == 0:
        return 0.0
    return dot_product(a, b) / (mag_a * mag_b)

# 테스트 벡터들
vectors = {
    "고양이": [0.9, 0.1, 0.8],
    "강아지": [0.85, 0.15, 0.75],
    "자동차": [0.1, 0.9, 0.2],
    "트럭":   [0.15, 0.85, 0.25],
}

print("=== 코사인 유사도 매트릭스 ===")
names = list(vectors.keys())
for i, n1 in enumerate(names):
    for j, n2 in enumerate(names):
        if i <= j:
            sim = cosine_similarity(vectors[n1], vectors[n2])
            print(f"  {n1} vs {n2}: {sim:.4f}")