코사인 유사도란? 딥러닝에서 벡터 간 의미 유사도 계산하기

딥러닝과 머신러닝에서는 '벡터 간의 유사도'를 측정해야 하는 일이 매우 많습니다. 이때 자주 사용되는 지표 중 하나가 바로 코사인 유사도(Cosine Similarity)입니다.

특히 자연어 처리(NLP), 추천 시스템, 임베딩 비교 등에서는 유클리디안 거리보다 방향성에 초점을 맞춘 코사인 유사도가 더 적합한 경우가 많습니다.

이번 글에서는 코사인 유사도의 개념, 수학적 정의, 딥러닝 활용 사례 그리고 유클리디안 거리와의 차이까지 한 번에 정리해보겠습니다.

📚 목차

• 1. 코사인 유사도란?
• 2. 수학적 정의와 계산 공식
• 3. 딥러닝에서의 활용 사례
• 4. 유클리디안 거리와의 차이점
• 5. 마무리 요약

---

1. 코사인 유사도란?

코사인 유사도(Cosine Similarity)는 두 벡터 사이의 ‘각도’를 기준으로 유사도를 측정하는 방식입니다. 두 벡터가 얼마나 유사한 방향을 가졌는지를 수치로 나타내며, 벡터의 크기(길이)는 무시하고 방향성만 고려합니다.

주로 벡터 간 방향 비교가 중요한 문서 유사도, 문장 임베딩, 추천 시스템 등에서 널리 쓰입니다.

---

2. 수학적 정의와 계산 공식

두 벡터 A와 B가 있을 때, 코사인 유사도는 다음과 같이 계산합니다:

Cosine Similarity = (A · B) / (||A|| × ||B||)

- A · B : 두 벡터의 내적 - ||A||, ||B|| : 각 벡터의 크기(노름, norm)
→ 결과값은 **-1 ~ 1 사이의 값**을 가지며, 1에 가까울수록 유사도가 높고, -1에 가까울수록 반대 방향을 의미합니다.

---

3. 딥러닝에서의 활용 사례

• 1. 문서/문장 임베딩 비교: BERT, Word2Vec 등에서 추출한 벡터 간 유사도 계산
• 2. 추천 시스템: 사용자와 아이템 간 벡터 유사도 기반 추천
• 3. 챗봇/QA 시스템: 입력 문장과 DB 문장 간 의미적 유사도 측정
• 4. 클러스터링: 텍스트 기반 K-means에서 거리 대신 유사도로 활용

특히 NLP에서는 문장의 길이나 단어 수보다 '의미의 방향성'이 중요하기 때문에, 코사인 유사도가 유클리디안 거리보다 더 적합한 경우가 많습니다.

---

4. 유클리디안 거리와의 차이점

항목	코사인 유사도	유클리디안 거리
초점	벡터의 방향	벡터 간 거리
벡터 크기 영향	무시 (정규화)	영향 있음
사용 분야	NLP, 추천 시스템	Siamese Network, KNN 등

→ 두 방식은 각각의 장점이 있으며, **비교 대상의 특성**에 따라 선택하는 것이 중요합니다. 텍스트나 의미 중심 분석에는 **코사인 유사도**, 거리 기반 분류나 클러스터링에는 **유클리디안 거리**가 일반적으로 더 적합합니다.

---

5. 마무리 요약

코사인 유사도는 딥러닝에서 벡터 간 의미적 유사성을 비교할 때 핵심적으로 사용되는 개념입니다.
특히 텍스트 기반 임베딩 벡터에서 많이 활용되며, 방향에 기반한 비교 방식이라는 점에서 거리 중심의 유클리디안 거리와는 근본적인 차이가 있습니다.

딥러닝을 공부하거나 추천 시스템, 문장 분석 등을 개발하고 있다면 반드시 숙지해야 할 유사도 지표입니다.