参考文献：
https://www.zhihu.com/question/19640394
https://blog.csdn.net/qq_29678299/article/details/88750005
对于２个向量Ａ和Ｂ，其余弦相似度即２个向量夹角的余弦。关注的是向量之间的角度关系，并不关心他们的绝对大小，其取值范围是【－１，１】。当一对文本相似度长度差异很大，但内容相近时，如果使用余弦相似度的话，他们之间的夹角可能很小，因而相似度高。此外，在文本，图像，视频等领域，研究的对象的特征维度往往很高，余弦相似度在高维情况下依然褒词相同时为１，正交时为０，相反时未－１的特性，而欧氏距离的数值则受维度的影响，范围不确定，并且含义也比较模糊。
总体来说，欧式距离体现在数值上的绝对差异，而余弦距离是体现在方向上的相对差异。
根据余弦相似度计算相似文本时，需要两两比较，复杂度为Ο（n2）。通常这种比较不能全量比较，可以借助于simhash 的思想，减少搜索空间。但是缺点是存在误差。
但是转为求欧式距离呢，就可以上一个非常好的数据结构，叫KDTree。
在向量归一化的情况下，欧氏距离和余弦距离没有区别。
原文：https://www.cnblogs.com/galios/p/12486636.html