Was ist Cosine Similarity (Kosinus-Ähnlichkeit)? Ähnlichkeitsmaß für Embeddings erklärt

Cosine Similarity (Kosinus-Ähnlichkeit) ist ein Ähnlichkeitsmaß, das den Kosinus des Winkels zwischen zwei Vektoren berechnet. Es misst also die Richtung zweier Vektoren, nicht deren Länge. Zeigen zwei Vektoren in dieselbe Richtung, gelten sie als ähnlich – unabhängig davon, wie lang sie sind. Bei Text-Embeddings ist die Kosinus-Ähnlichkeit das am häufigsten verwendete Maß (Dataquest).

Wie Cosine Similarity funktioniert

Ein Embedding ist ein Zahlenvektor, der die Bedeutung eines Textes abbildet. Um zu prüfen, wie ähnlich sich zwei Texte inhaltlich sind, vergleicht man ihre Vektoren. Die Kosinus-Ähnlichkeit tut das über den Winkel zwischen den beiden Vektoren.

Die Formel dahinter lautet (IBM):

Kosinus-Ähnlichkeit = (A · B) / (‖A‖ × ‖B‖)

Dabei ist A · B das Skalarprodukt (auch Punktprodukt) der beiden Vektoren, und ‖A‖ sowie ‖B‖ sind deren Längen (Magnituden). Anschaulich: Man teilt das Skalarprodukt durch das Produkt der beiden Vektorlängen und normalisiert damit den Effekt der Länge heraus. Übrig bleibt reine Richtungsinformation.

Der Vergleich ist symmetrisch und funktioniert auch in sehr hochdimensionalen Räumen, wie sie moderne Embedding-Modelle mit hunderten oder tausenden Dimensionen erzeugen.

Der Wertebereich: von -1 bis 1

Das Ergebnis liegt zwischen -1 und 1 (IBM):

• 1 – Die Vektoren zeigen exakt in dieselbe Richtung. Maximale Ähnlichkeit.
• 0 – Die Vektoren stehen im rechten Winkel zueinander. Kein inhaltlicher Zusammenhang.
• -1 – Die Vektoren zeigen in entgegengesetzte Richtungen (Fast Data Science).

In der Praxis der semantischen Suche liegen relevante Treffer typischerweise nahe bei 1. Ein Retriever, der zu einer Nutzerfrage die passenden Textabschnitte sucht, berechnet die Kosinus-Ähnlichkeit für jeden Kandidaten und liefert die Abschnitte mit den höchsten Werten zurück – etwa die Top-5 oder Top-10 (RAG Tutorial).

Warum Richtung statt Länge?

Der entscheidende Vorteil: Kosinus-Ähnlichkeit ignoriert die Länge (Magnitude) der Vektoren. Das ist bei Text wichtig, denn ein langer und ein kurzer Text können inhaltlich fast identisch sein. Ein Maß wie der euklidische Abstand ist dagegen empfindlich gegenüber der Vektorlänge: Zwei Texte unterschiedlicher Länge können einen großen euklidischen Abstand ergeben, obwohl sie semantisch ähnlich sind (Towards Data Science).

Deshalb ist die Kosinus-Ähnlichkeit in vielen NLP-Szenarien das bevorzugte Maß, wenn es primär um die Richtung – also die Bedeutung – geht (Towards Data Science).

Ein weiterer Punkt betrifft hohe Dimensionen. In hochdimensionalen Räumen tritt das Problem der Distanzkonzentration auf: Alle paarweisen Abstände werden nahezu ununterscheidbar, was Maße wie den euklidischen Abstand schwächt. Die Kosinus-Ähnlichkeit ist hier robuster, weil sie den Wertebereich über den Winkel komprimiert und relative Unterschiede besser abbildet (arXiv).

Zusammenhang mit dem Skalarprodukt

Eng verwandt ist das reine Skalarprodukt (Dot Product). Der Unterschied: Das Skalarprodukt berücksichtigt die Vektorlänge und spiegelt so etwa Häufigkeit oder „Popularität" wider, während sich die Kosinus-Ähnlichkeit allein auf den Winkel konzentriert (Google for Developers).

Interessant für die Praxis: Viele moderne Embedding-Modelle geben bereits normalisierte Vektoren der Länge 1 aus (Fast Data Science). Bei normalisierten Vektoren entfällt der Nenner der Formel – dann ist die Kosinus-Ähnlichkeit rechnerisch identisch mit dem Skalarprodukt (arxiv.org). Das spart Rechenaufwand und ist ein Grund, warum viele Vektordatenbanken das Skalarprodukt als schnellen Standard anbieten.

Grenzen: „ähnlich" ist nicht immer, was man meint

Kosinus-Ähnlichkeit ist verbreitet, aber kein Universalmaß. Eine Untersuchung weist darauf hin, dass die Anwendung auf gelernte Embeddings mal besser, mal schlechter funktioniert als das unnormalisierte Skalarprodukt (arxiv.org). Was als „ähnlich" gilt, hängt stark vom zugrunde liegenden Embedding-Modell ab. Zwei Formulierungen können hohe Werte erzielen, ohne im gewünschten Sinn relevant zu sein.

Deshalb wird die Kosinus-Ähnlichkeit in produktiven Systemen selten allein genutzt. In RAG-Systemen folgt auf die reine Vektorsuche oft ein Re-Ranking oder eine Hybrid-Suche, die auch Schlüsselwörter berücksichtigt.

Bedeutung für AI-Mitarbeiter

Für unsere AI-Mitarbeiter ist die Kosinus-Ähnlichkeit ein unsichtbarer, aber grundlegender Baustein. Wenn ein AI-Mitarbeiter wie Hanna, unsere Company Expertin, eine Frage zu internen Dokumenten beantwortet, sucht das System per Vektorvergleich die passenden Textabschnitte heraus – und die Kosinus-Ähnlichkeit entscheidet mit, welche Abschnitte als relevant gelten. Wie gut die Antworten am Ende sind, hängt also nicht nur vom Sprachmodell ab, sondern auch von der Qualität der Embeddings und der Suchlogik dahinter. Beides ist Teil der sauberen Umsetzung, die etwa in Branchen wie Asset Management oder Versicherung über die Verlässlichkeit der Antworten entscheidet.

Häufige Fragen

Was ist der Unterschied zwischen Cosine Similarity und euklidischem Abstand?

Cosine Similarity misst den Winkel zwischen zwei Vektoren und ignoriert deren Länge, während der euklidische Abstand die geometrische Distanz misst und dabei empfindlich auf die Vektorlänge reagiert. Für Text-Embeddings ist die Kosinus-Ähnlichkeit meist die bessere Wahl, weil unterschiedlich lange, aber inhaltlich ähnliche Texte sonst zu große Abstände ergeben würden (Dataquest). In hohen Dimensionen ist die Kosinus-Ähnlichkeit zudem robuster (arXiv).

Wie hoch muss der Cosine-Similarity-Wert sein, damit zwei Texte als ähnlich gelten?

Einen festen Schwellenwert gibt es nicht – er hängt vom Embedding-Modell und vom Anwendungsfall ab. In der Praxis liegen sehr relevante Treffer nahe bei 1; ein Beispielwert wie 0,98 signalisiert große Nähe zur Nutzerfrage (RAG Tutorial). Sinnvolle Schwellen ermittelt man am besten empirisch mit eigenen Daten.

Ist Cosine Similarity dasselbe wie das Skalarprodukt?

Nicht ganz, aber eng verwandt. Das Skalarprodukt berücksichtigt die Vektorlänge, die Kosinus-Ähnlichkeit nur den Winkel. Wenn die Vektoren jedoch normalisiert sind (Länge 1) – was viele moderne Embedding-Modelle liefern – ergeben beide dasselbe Ergebnis (arxiv.org). Das ist ein Grund, warum Vektordatenbanken das Skalarprodukt oft als schnelle Standardoption anbieten.

Warum wird Cosine Similarity in RAG-Systemen eingesetzt?

Weil sie es erlaubt, zu einer Frage schnell die inhaltlich passendsten Textabschnitte aus einer großen Sammlung zu finden. Der Retriever berechnet die Kosinus-Ähnlichkeit zwischen der Frage und jedem gespeicherten Abschnitt und liefert die höchsten Werte zurück (RAG Tutorial). In produktiven Systemen wird das Ergebnis häufig durch Re-Ranking oder eine Hybrid-Suche ergänzt, um die Relevanz zu verbessern.