# 코사인 유사도 (Cosine Similarity)

## 1. 개요
**코사인 유사도(Cosine Similarity)**란 두 벡터 간의 각도의 코사인 값을 이용하여 두 벡터가 얼마나 유사한 방향을 가리키고 있는지를 측정하는 알고리즘이다. 

이 측정 방식은 벡터의 크기(Magnitude)보다는 **방향성(Direction)**에 집중하며, 결과값은 일반적으로 -1에서 1 사이의 값을 가진다. 데이터의 차원이 매우 높은 고차원 공간에서 두 대상의 유사성을 빠르게 계산할 수 있어 텍스트 분석 및 추천 시스템에서 널리 활용된다.

## 2. 수학적 원리 및 계산 방식

코사인 유사도는 두 벡터의 **내적(Dot Product)**을 각 벡터의 **L2 노름(L2 Norm, 벡터의 길이)**의 곱으로 나누어 계산한다.

### 2.1 수학적 공식
두 벡터 $\mathbf{A}$와 $\mathbf{B}$가 $n$차원 공간에 존재할 때, 코사인 유사도 $\text{sim}(\mathbf{A}, \mathbf{B})$는 다음과 같이 정의된다.

$$\text{similarity} = \cos(\theta) = \frac{\mathbf{A} \cdot \mathbf{B}}{\|\mathbf{A}\| \|\mathbf{B}\|} = \frac{\sum_{i=1}^{n} A_i B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \sqrt{\sum_{i=1}^{n} B_i^2}}$$

*   **$\mathbf{A} \cdot \mathbf{B}$ (내적):** 두 벡터의 대응하는 성분끼리 곱하여 모두 더한 값.
*   **$\|\mathbf{A}\|, \|\mathbf{B}\|$ (L2 노름):** 원점에서 해당 벡터 끝점까지의 직선 거리.

### 2.2 각도에 따른 유사도 값의 변화
코사인 값의 특성에 따라 두 벡터의 관계를 다음과 같이 해석할 수 있다.

| 각도 ($\theta$) | 코사인 값 ($\cos \theta$) | 의미 | 유사도 수준 |
| :--- | :---: | :--- | :---: |
| $0^\circ$ | $1$ | 두 벡터의 방향이 완전히 일치함 | 매우 높음 |
| $90^\circ$ | $0$ | 두 벡터가 서로 직교함 (상관관계 없음) | 없음 |
| $180^\circ$ | $-1$ | 두 벡터의 방향이 완전히 반대임 | 매우 낮음 (반대) |

**[시각적 이해]**
- $\theta \approx 0^\circ \rightarrow \text{벡터 A} \nearrow \text{벡터 B} \nearrow$ (유사함)
- $\theta \approx 90^\circ \rightarrow \text{벡터 A} \uparrow \text{벡터 B} \rightarrow$ (관계없음)
- $\theta \approx 180^\circ \rightarrow \text{벡터 A} \nearrow \text{벡터 B} \swarrow$ (반대됨)

*참고: 텍스트 분석과 같이 모든 성분이 양수인 경우(예: TF-IDF), 결과값은 $0 \sim 1$ 범위 내에서 결정된다.*

> **⚠️ 주의: 영벡터(Zero Vector) 처리**
> 두 벡터 중 하나라도 모든 성분이 0인 **영벡터**일 경우, 분모가 0이 되어 수학적으로 정의되지 않는 **Division by Zero** 문제가 발생한다. 실제 구현 시에는 분모에 매우 작은 값($\epsilon$, 예: $1e-9$)을 더하거나, 유사도를 0으로 처리하는 예외 처리 로직이 필요하다.

## 3. 주요 특징 및 장단점

### 3.1 특징: 크기 불변성 (Magnitude Invariance)
코사인 유사도의 가장 큰 특징은 벡터의 길이에 영향을 받지 않는다는 점이다. 예를 들어, 동일한 주제의 글이라도 하나는 짧고 하나는 매우 길 때, 단어의 빈도수(벡터의 크기)는 다르지만 단어의 구성 비율(방향)이 비슷하다면 코사인 유사도는 높게 측정된다.

### 3.2 유클리드 거리와의 비교
**유클리드 거리(Euclidean Distance)**는 두 점 사이의 직선 거리를 측정하는 방식이며, 코사인 유사도와는 상보적인 관계를 가진다.

| 비교 항목 | 코사인 유사도 (Cosine Similarity) | 유클리드 거리 (Euclidean Distance) |
| :--- | :--- | :--- |
| **측정 대상** | 벡터 간의 **각도 (방향)** | 벡터 끝점 간의 **거리 (크기)** |
| **영향 요소** | 성분의 비율이 중요함 | 성분의 절대적인 수치가 중요함 |
| **데이터 특성** | 문서 길이 등 크기 차이가 클 때 유리 | 데이터의 절대적 양이 중요할 때 유리 |
| **결과 범위** | $-1 \sim 1$ (또는 $0 \sim 1$) | $0 \sim \infty$ |

**이론적 관계:**
두 벡터가 **L2 정규화(L2 Normalization)** 되어 길이가 1인 상태라면, 코사인 유사도와 유클리드 거리는 다음과 같은 수학적 관계를 가지며 단조 감소 관계에 있다.
$$\|\mathbf{A}-\mathbf{B}\|^2 = 2(1 - \cos \theta)$$
즉, 정규화된 벡터 공간에서는 코사인 유사도가 높을수록 유클리드 거리는 짧아진다.

## 4. 주요 활용 분야

### 4.1 TF-IDF 기반 텍스트 분석
텍스트 마이닝에서 문서를 벡터로 변환할 때 **TF-IDF(Term Frequency-Inverse Document Frequency)** 가중치를 사용한다. 
- **TF-IDF:** 특정 문서 내에서 단어의 빈도는 높지만, 전체 문서군에서는 드물게 등장하는 단어에 높은 가중치를 부여하는 방식.
- **결합 사례:** 각 문서를 TF-IDF 벡터로 변환한 후, 코사인 유사도를 계산하면 문서 간의 주제적 유사성을 정밀하게 측정할 수 있다.

### 4.2 추천 시스템 (Collaborative Filtering)
**사용자-아이템 행렬(User-Item Matrix)**에서 사용자 벡터 간의 유사도를 계산하는 **사용자 기반 협업 필터링(User-based Collaborative Filtering)**에서 주로 사용된다. 사용자가 매긴 평점 벡터의 방향이 비슷할수록 유사한 취향을 가진 것으로 판단하여 아이템을 추천한다.

### 4.3 고차원 희소 벡터(Sparse Vector) 처리
텍스트 데이터는 대부분의 단어가 0으로 채워지는 **희소 벡터** 형태를 띤다. 코사인 유사도는 내적 계산 시 0인 성분은 결과에 영향을 주지 않으므로, 수만 개의 차원을 가진 데이터에서도 효율적인 연산이 가능하다.

## 5. 구현 예제 (Python)

다음은 `NumPy`와 `scikit-learn`을 사용하여 두 문장의 유사도를 계산하는 예제 코드이다.

```python
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 1. 분석할 문서 정의
documents = [
    "인공지능 알고리즘은 데이터 분석에 매우 유용합니다.",
    "머신러닝 모델은 데이터 분석을 통해 학습합니다.",
    "오늘 날씨는 매우 맑고 화창합니다."
]

# 2. TF-IDF 벡터화 (텍스트 -> 벡터 변환)
tfidf_vectorizer = TfidfVectorizer()
tfidf_matrix = tfidf_vectorizer.fit_transform(documents)

# 3. 코사인 유사도 계산
# 첫 번째 문서와 나머지 문서들 간의 유사도 측정
sim_matrix = cosine_similarity(tfidf_matrix[0], tfidf_matrix)

print(f"문서 1 vs 문서 1: {sim_matrix[0][0]:.4f}") # 자기 자신
print(f"문서 1 vs 문서 2: {sim_matrix[0][1]:.4f}") # 주제 유사
print(f"문서 1 vs 문서 3: {sim_matrix[0][2]:.4f}") # 주제 무관
```

**실행 결과:**
```text
문서 1 vs 문서 1: 1.0000
문서 1 vs 문서 2: 0.3241
문서 1 vs 문서 3: 0.0000
```

## 6. 관련 개념 및 심화

### 6.1 코사인 거리 (Cosine Distance)
코사인 유사도와 대비되는 개념으로 **코사인 거리**가 있다. 이는 두 벡터가 얼마나 '다른지'를 측정하며, 다음과 같이 정의된다.
$$\text{Cosine Distance} = 1 - \text{Cosine Similarity}$$
유사도가 1(완전 일치)이면 거리는 0이 되며, 유사도가 0(직교)이면 거리는 1이 된다.

### 6.2 기타 유사도 측정법 비교

| 측정법 | 계산 방식 | 최적 활용 사례 | 특징 |
| :--- | :--- | :--- | :--- |
| **자카드 유사도** | $\frac{A \cap B}{A \cup B}$ | 집합 간의 중복도 측정 | 빈도가 아닌 '존재 여부'만 중요할 때 |
| **피어슨 상관계수** | 공분산을 표준편차의 곱으로 나눔 | 사용자 평점 데이터 분석 | 각 벡터에서 **평균을 뺀 후(Centering)** 코사인 유사도를 구하는 것과 동일함 |
| **맨해튼 거리** | $\sum |A_i - B_i|$ | 격자 형태의 경로 거리 측정 | 차원이 매우 높을 때 유클리드 거리보다 안정적 |

코사인 유사도는 특히 **방향성**이 중요한 고차원 데이터에서 강력한 성능을 발휘하며, 현대의 자연어 처리(NLP) 모델인 Word2Vec, BERT 등의 임베딩 벡터 유사도 측정의 표준으로 사용되고 있다.