ریشه — خودآموز ریاضی از چهار عمل تا هوش مصنوعی

فصل ۳ از ۹

پیشرفت ترم
۰٪

در این فصل چه یاد می‌گیری#

دو کاربر داری و می‌خواهی بدانی سلیقه‌شان چقدر شبیهِ هم است. دو متن داری و می‌خواهی بدانی چقدر هم‌موضوع‌اند.

اگر هر کدام را به بردار تبدیل کنی، این سؤال به یک سؤالِ هندسی تبدیل می‌شود: این دو فلش چقدر هم‌جهت‌اند؟

و جوابش یک عدد است که با یک محاسبهٔ سادهٔ چندثانیه‌ای به‌دست می‌آید. این فصل ⚠️ است چون آن عدد در نگاهِ اول یک ضربِ بی‌معنی به‌نظر می‌رسد، و فهمیدنِ اینکه چه چیزی را می‌سنجد کلِ ماجراست.

دو بردار با زاویهٔ کم، دو بردار عمود، و دو بردار در جهت مخالف

آخر این فصل می‌توانی:

  • dot product دو بردار را حساب کنی
  • از روی علامتش بگویی دو بردار هم‌جهت‌اند، عمود، یا مخالف
  • بگویی چرا معیارِ شباهت در هوش مصنوعی همین است

قبل از شروع#

  • از فصل ۲: طولِ بردار؛ بردارِ یکه؛ چرا نرمال‌کردن لازم است.
  • از ترم ۵ فصل ۷: کسینوس، و اینکه یک نسبت است.
  • از ترم ۵ فصل ۱: عمود بودن.

۱. تعریف، که ساده‌تر از انتظار است#

dot product دو بردار: مؤلفه‌های متناظر را در هم ضرب کن و همه را جمع کن.

جواب یک عدد است، نه یک بردار. و همین عجیب است: از دو فلش، یک عددِ ساده در آمد.

🤔 اول حدس بزن: آن ۱۰ چه چیزی را می‌سنجد؟

۲. رابطه با زاویه#

جوابش این است:

که زاویهٔ بینِ دو بردار است.

و این را می‌شود دید، نه فقط پذیرفت. حالتِ ساده را در نظر بگیر: بردارِ اول را روی محورِ افقی بگذار، یعنی . حالا بردارِ دوم با زاویهٔ نسبت به آن ایستاده، و از ترم ۵ فصل ۷ می‌دانی نقطهٔ روی دایرهٔ واحد در زاویهٔ مختصاتِ دارد — پس . حالا تعریفِ بخش ۱ را اجرا کن:

دقیقاً همان فرمول، از دلِ همان ضرب و جمعِ ساده. تنها چیزی که در حالتِ کلی روی حساب می‌کنیم این است که اگر هر دو بردار را با هم بچرخانی، نه طولشان عوض می‌شود و نه زاویهٔ بینشان — پس می‌شد همیشه صفحه را طوری چرخاند که بردارِ اول روی محورِ افقی بیفتد. آن یک جمله را از من بپذیر؛ بقیه‌اش را همین‌الان خودت دیدی.

پس dot product سه چیز را با هم ترکیب می‌کند: طولِ اولی، طولِ دومی، و اینکه چقدر هم‌جهت‌اند.

و از ترم ۵ فصل ۷ می‌دانی کسینوس چه رفتاری دارد:

زاویه کسینوس dot product
۰° (کاملاً هم‌جهت) ۱ بیشترین مقدارِ ممکن
کمتر از ۹۰° مثبت مثبت
۹۰° (عمود) ۰ صفر
بیشتر از ۹۰° منفی منفی
۱۸۰° (کاملاً مخالف) کمترین مقدارِ ممکن

پس علامتِ dot product به‌تنهایی می‌گوید دو بردار هم‌جهت‌اند یا مخالف — و صفربودنش یعنی دقیقاً عمودند.

✅ چک کن: چند است؟ — صفر. و درست است: آن دو بردار روی دو محورند و بر هم عمود.

🌱 ریشه‌اش کجاست: در ترم ۵ فصل ۱ نوشتیم که عمود بودن در ترم ۷ به یک آزمونِ عددیِ ساده تبدیل می‌شود. این همان است: به‌جای کشیدنِ شکل و اندازه‌گیریِ زاویه، دو ضرب و یک جمع. و در فضای هزاربُعدی — که نمی‌شود کشیدش — این تنها راهِ ممکن است.

۳. چرا این معیارِ شباهت است#

دو بردار را در نظر بگیر که هر دو نرمال شده‌اند (طولشان ۱ است، از فصل ۲). آن‌وقت فرمول ساده می‌شود:

یعنی dot product مستقیماً کسینوسِ زاویه را می‌دهد — عددی بینِ و :

  • نزدیکِ ۱: تقریباً هم‌جهت، بسیار شبیه.
  • نزدیکِ صفر: عمود، هیچ ارتباطی ندارند.
  • نزدیکِ : مخالف، کاملاً متضاد.

به این می‌گویند شباهتِ کسینوسی، و در هر سیستمِ توصیه، هر موتورِ جست‌وجوی معنایی و هر مدلِ زبانی به‌کار می‌رود.

💡 نکته: حالا معلوم می‌شود چرا فصل ۲ روی نرمال‌کردن تأکید داشت. بدونِ آن، dot product صرفاً به بزرگ‌بودنِ بردارها پاداش می‌دهد — دو متنِ طولانیِ بی‌ربط، dot product بزرگ‌تری می‌گیرند از دو متنِ کوتاهِ کاملاً هم‌موضوع.

⚠️ دامِ رایج: خواندنِ dot product خام به‌عنوان شباهت. عددِ ۱۰۰ ممکن است یعنی «خیلی شبیه» یا یعنی «دو بردارِ خیلی بزرگ که کمی هم‌جهت‌اند». بدونِ نرمال‌کردن، مقایسهٔ دو dot product با هم بی‌معنی است.

✅ چک کن: دو بردارِ یکه dot productشان است. چه می‌فهمی؟ — زاویه‌شان خیلی کوچک است، پس تقریباً هم‌جهت‌اند: بسیار شبیه.

۴. یک مثالِ ملموس#

سه کاربر و امتیازی که به سه فیلم داده‌اند (از ۰ تا ۵):

فیلمِ ۱ فیلمِ ۲ فیلمِ ۳
الف ۵ ۱ ۴
ب ۴ ۱ ۵
ج ۱ ۵ ۱

الف و ب: .

الف و ج: .

عددِ بزرگ‌تر برای الف و ب — و منطقی است: هر دو فیلم‌های ۱ و ۳ را دوست دارند و از ۲ خوششان نمی‌آید.

این دقیقاً کاری است که یک سیستمِ توصیه می‌کند: بردارِ تو را با بردارِ همه مقایسه می‌کند، شبیه‌ترین‌ها را پیدا می‌کند، و چیزی را پیشنهاد می‌دهد که آن‌ها دوست داشتند و تو ندیده‌ای.

⚠️ دامِ رایج: نتیجه‌گیری از عددِ خام بدونِ نرمال‌کردن. اگر کاربرِ چهارمی همهٔ فیلم‌ها را ۵ بدهد، dot productاش با همه بزرگ می‌شود — نه چون سلیقه‌اش شبیه است، بلکه چون همیشه عددِ بزرگ می‌دهد. نرمال‌کردن این را خنثی می‌کند.

۵. تصویرِ هندسی: تصویرِ سایه#

خوانشِ سومی هم هست که در ترم ۸ به کار می‌آید.

وقتی بردارِ دوم یکه باشد، dot product می‌گوید بردارِ اول چقدر در جهتِ بردارِ دوم امتداد دارد — مثلِ سایه‌ای که یکی روی دیگری می‌اندازد وقتی نور عمود بتابد.

اگر کاملاً هم‌جهت باشند، سایه کاملِ طولِ بردار است. اگر عمود باشند، سایه صفر است — هیچ‌کدام از بردارِ اول در جهتِ دومی نیست.

💡 نکته: این خوانش را نگه دار. در ترم ۸ فصل ۷ که gradient را ببینی، همین «چقدر در آن جهت امتداد دارد» تعیین می‌کند حرکت در یک جهتِ خاص چقدر تو را بالا یا پایین می‌برد.

تمرین‌ها

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

در فصل بعد#

تا اینجا با تک‌تکِ بردارها کار کردی. فصل بعد ابزاری می‌آورد که با دسته‌ای از آن‌ها یک‌جا کار می‌کند: ماتریس. و برخلافِ ظاهرش، یک جدولِ عدد نیست — چیزی است که کار می‌کند.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.