# فصل ۰۳ — `dot product`: شبیه‌بودن، به زبانِ عدد

<div dir="rtl">

# فصل ۰۳ — `dot product`: شبیه‌بودن، به زبانِ عدد

## 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](/lesson-assets/t7-s03-dot-product/prompt/01-image-dot-product.png)

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.**

</div>

$$
(3, 4) \cdot (2, 1) = 3 \times 2 + 4 \times 1 = 10
$$

<div dir="rtl">

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:

</div>

$$
\vec{a} \cdot \vec{b} = \|\vec{a}\| \times \|\vec{b}\| \times \cos\theta
$$

<div dir="rtl">

که $\theta$ 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 $\vec{a} = (\|\vec{a}\|, 0)$. حالا بردارِ دوم با زاویهٔ $\theta$ نسبت به آن ایستاده، و از ترم ۵ فصل ۷ می‌دانی نقطهٔ روی دایرهٔ واحد در زاویهٔ $\theta$ مختصاتِ $(\cos\theta, \sin\theta)$ دارد — پس $\vec{b} = (\|\vec{b}\|\cos\theta,\; \|\vec{b}\|\sin\theta)$. حالا تعریفِ بخش ۱ را اجرا کن:

</div>

$$
\vec{a} \cdot \vec{b} = \|\vec{a}\| \times \|\vec{b}\|\cos\theta \;+\; 0 \times \|\vec{b}\|\sin\theta = \|\vec{a}\|\,\|\vec{b}\|\cos\theta
$$

<div dir="rtl">

**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) | $-1$ | کمترین مقدارِ ممکن |

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

> ✅ **چک کن:** $(1, 0) \cdot (0, 1)$ 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:

</div>

$$
\hat{a} \cdot \hat{b} = \cos\theta
$$

<div dir="rtl">

**یعنی `dot product` مستقیماً کسینوسِ زاویه را می‌دهد** — عددی بینِ $-1$ و $1$:

- نزدیکِ ۱: تقریباً هم‌جهت، **بسیار شبیه**.
- نزدیکِ صفر: عمود، **هیچ ارتباطی ندارند**.
- نزدیکِ $-1$: 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 product`شان $0.98$ 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: $5(4) + 1(1) + 4(5) = 41$.

الف و ج: $5(1) + 1(5) + 4(1) = 14$.

**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 product`اش 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.**

> 🧪 **آزمایشگاه:** [زاویه را عوض کن](/lab/embed/risheh/term-7-linear-algebra/session-03-dot-product) — دو بردار را می‌چرخانی و `dot product` و زاویه‌شان زنده حساب می‌شوند. اول سعی کن بدونِ نگاه‌کردن به زاویه، دو بردارِ عمود بسازی — فقط با صفرکردنِ آن عدد.

## تمرین‌ها

1. $(2, 5) \cdot (3, -1)$ را حساب کن. زاویه‌شان از ۹۰ درجه کمتر است یا بیشتر؟
2. $(1, 2, 3) \cdot (4, 0, -1)$ را حساب کن.
3. برداری پیدا کن که بر $(3, 4)$ عمود باشد.
4. دو بردارِ یکه `dot product`شان $-0.9$ است. چه رابطه‌ای دارند؟
5. طولِ $(6, 8)$ چقدر است و نرمال‌شده‌اش چیست؟
6. در یک کلاس میانگین ۷۰ و انحرافِ معیار ۵ و توزیع نرمال است. حدودِ چند درصد بینِ ۶۰ و ۸۰‌اند؟

⭐ دو بردارِ **غیرصفر** پیدا کن که `dot product`شان صفر باشد، در سه بُعد. حالا بردارِ سومی پیدا کن که بر **هر دوی** آن‌ها عمود باشد. چند تا چنین برداری وجود دارد؟

## 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**.

</div>

---
Source: https://yaadestan.com/courses/risheh/lessons/t7/s03-dot-product (یادستان, Yaadestan)
