Vector Metrics

向量度量算法集合，支持15种距离和相似度算法。

安装

npm install @base/vector-metrics

使用方法

import { 
  computeCosineSimilarity,
  computeEuclideanDistance,
  computeDotProduct,
  computeVectorNorm,
  computeManhattanDistance,
  computeHammingDistance,
  computeJaccardDistance,
  computeBrayCurtisDistance,
  computeChebyshevDistance,
  computeMinkowskiDistance,
  computeChiSquareDistance,
  computeClarkDistance,
  computeCorrelationDistance,
  computeLorentzianDistance,
  computeSquaredEuclideanDistance,
  getMetric,
  getAvailableMetrics
} from '@base/vector-metrics';

// 直接使用算法函数
const similarity = computeCosineSimilarity([1, 2, 3], [4, 5, 6]);
const distance = computeEuclideanDistance([1, 2, 3], [4, 5, 6]);
const dotProduct = computeDotProduct([1, 2, 3], [4, 5, 6]);

// 通过算法名获取算法
const cosineMetric = getMetric('cosine-similarity');
const euclideanMetric = getMetric('euclidean');
const manhattanMetric = getMetric('manhattan');

// 使用获取的算法
const similarity2 = cosineMetric([1, 2, 3], [4, 5, 6]);
const distance2 = euclideanMetric([1, 2, 3], [4, 5, 6]);

// 获取所有可用算法名称
const availableMetrics = getAvailableMetrics();
console.log(availableMetrics); // ['dot-product', 'vector-norm', 'cosine-similarity', ...]

支持的算法

基础度量

• 点积 (Dot Product) - 向量内积计算
• 向量范数 (Vector Norm) - L2范数计算
• 余弦相似度 (Cosine Similarity) - 角度相似性度量

距离度量

• 欧几里得距离 (Euclidean Distance) - 直线距离
• 平方欧几里得距离 (Squared Euclidean) - 避免开方运算
• 曼哈顿距离 (Manhattan Distance) - L1距离
• 切比雪夫距离 (Chebyshev Distance) - L∞距离
• 闵可夫斯基距离 (Minkowski Distance) - 广义距离

特殊距离

• 汉明距离 (Hamming Distance) - 二进制向量距离
• 杰卡德距离 (Jaccard Distance) - 集合相似度
• 布雷-柯蒂斯距离 (Bray-Curtis Distance) - 生态学距离
• 卡方距离 (Chi-Square Distance) - 统计距离
• 克拉克距离 (Clark Distance) - 比例敏感距离
• 相关距离 (Correlation Distance) - 相关性度量
• 洛伦兹距离 (Lorentzian Distance) - 异常检测距离

开发

# 运行测试
npm test

# 运行基准测试
npm run tournament

# 构建
npm run build

许可证

AGPL-3.0