優點：
- 兼顧方向與長度：同時考量了詞彙分布的方向與詞頻多寡。在資訊檢索中，長度較長（字數多或重要詞頻繁）的文件通常資訊量較大，內積值大代表其與查詢的關聯性可能較高。
- 計算速度快：僅需進行乘法與加法，無須計算向量長度的開根號與除法，運算開銷較低。
缺點：
- 嚴重偏袒長文件：由於未經正規化，長文件（或高頻詞向量）往往具備較大的數值，在計算時容易掩蓋短文件，產生檢索偏差。

2. 單位向量內積 (Normalized/Unit Vector Inner Product)

概念：先將原始向量轉換為單位向量（長度標準化為 \(1\)），再計算內積，這在幾何學上等同於計算兩向量夾角的餘弦相似度 (Cosine Similarity)。

優點：
- 消除長度偏見：有效解決文件長度不一的問題。專注於比對特徵的「方向」（詞彙比例與語意），適合比較不同長度的文件與查詢。
- 標準化範圍：相似度結果嚴格介於 \(-1\) 到 \(1\) 之間（在詞頻等正向特徵中為 \(0\) 到 \(1\)），易於設定統一的檢索門檻。
缺點：
- 忽略絕對數量資訊：標準化會抹除特徵的絕對大小差異，可能導致具有重要高頻詞彙的優質長文件，被判定為與僅出現過幾次該詞的短文件相似，喪失了「詞彙重要程度」的資訊。
- 運算成本較高：需要額外計算向量的歐幾里得長度（正規化因子），在海量資料比對時耗時略長。

ㅤㅤ

「向量內積」是一種運算方法，用來求出兩個向量之間的關係（如夾角或投影量）；而「單位向量內積」則是套用了該運算，由於兩者長度皆為 \(1\)，它的結果代表了兩向量的「夾角餘弦值」與「相似度」。 [1, 2]

以下為兩者的詳細差異：

1. 定義與核心概念

向量內積 (Inner/Dot Product)：將兩個長度與方向皆任意的向量進行計算。它不僅與兩者方向有關，還包含了雙方的「長度大小」。結果是一個純量（數值），可用於計算物理做功或投影。
單位向量內積：運算規則與一般內積相同，但參與運算的兩個向量長度皆為 1。因為長度被標準化了，內積結果完全取決於它們之間的「方向夾角」。 [1, 2, 3, 4, 5]

2. 公式與結果差異

ㅤㅤ

3. 主要用途

向量內積：用來求出一個向量在另一個向量上的投影長度，或計算兩向量垂直與否（若內積為 0，則兩者互相垂直）。
單位向量內積：專門用來評估兩個方向的相似度、計算夾角 \(\theta \)。在機器學習和資料科學中，這常被稱為「餘弦相似度」 (Cosine Similarity)，值越接近 1 代表方向越吻合，越接近 -1 代表方向越相反。 [1, 2, 3, 4]

ㅤㅤ

申論題作答 (共 1 筆)

詳解 (共 2 筆)