Búsqueda por similitud coseno

Tema: Computer Vision · Catálogo de recetas · temario: Syllabus IOAI

📍 Dónde se aprende: no lo cubre todavía ningún módulo de la Ruta de Aprendizaje — el vault lo documenta igual porque aparece en tareas reales.

Qué hace

Encuentra, para cada consulta, los elementos más parecidos de un catálogo usando similitud coseno.

Cuándo usarla

En toda tarea de retrieval o emparejamiento: Restroom Icon Matching (2025) es esto sobre embeddings de imagen, y la estrategia de Potato (2026) es esto sobre embeddings de palabra.

Implementación

Necesita: numpy.

import numpy as np
 
 
def normalizar_filas(V, eps=1e-12):
    """Cada fila a norma 1. Con esto el producto punto ES el coseno."""
    V = np.asarray(V, dtype=float)
    return V / np.maximum(np.linalg.norm(V, axis=1, keepdims=True), eps)
 
 
def vecinos_mas_cercanos(consultas, catalogo, k=1):
    """Para cada consulta, los k índices del catálogo más parecidos (coseno).
 
    Es el gesto que resuelve las tareas de emparejamiento: Restroom Icon
    Matching (2025) es exactamente esto sobre embeddings de imagen, y la
    búsqueda de Potato (2026) sobre embeddings de palabra.
    """
    Q = normalizar_filas(consultas)
    C = normalizar_filas(catalogo)
    similitud = Q @ C.T
    return np.argsort(-similitud, axis=1, kind="stable")[:, :k]

⚠️ Notas

Normalizar las filas primero convierte el producto punto en el coseno, y una multiplicación de matrices resuelve todas las consultas de un golpe — que es lo que hace que esto quepa en el límite de tiempo.

El coseno ignora la magnitud del vector. Si la magnitud significa algo en tu problema, usa distancia euclidiana; si es ruido (lo habitual en embeddings), el coseno es lo correcto.

🔗 Relacionadas


Verificada

Este código se ejecuta en cada publicación, contra una referencia obviamente correcta, en herramientas/pruebas/datos.py. Si se rompe, el sitio no se actualiza.

Las otras puertas del vault: Ruta de Aprendizaje · Referencia · IOAI