KNOWECON WIKI

ARTICLE

点积

点积 (Dot Product) 点积 (Dot Product)，也称为 数量积 (Scalar Product) 或 内积 (Inner Product)，是线性代数中对两个向量进行的一种基本代数运算。它接受两个维数相同的坐标向量作为输入，并返回一个单一的实数（标量）。点积的结果同时结合了两个向量的模（长度）以及它们之间夹角的信息，因此是连接向量代数运算

浏览 58 更新 2025-10-26

点积 (Dot Product)

点积 (Dot Product)，也称为 数量积 (Scalar Product) 或 内积 (Inner Product)，是线性代数中对两个向量进行的一种基本代数运算。它接受两个维数相同的坐标向量作为输入，并返回一个单一的实数（标量）。点积的结果同时结合了两个向量的模（长度）以及它们之间夹角的信息，因此是连接向量代数运算与几何直观理解的关键桥梁。

定义

代数定义

假设有两个 n n 维向量 a⃗=(a1,a2,…,an) \vec{a} = (a_1, a_2, \ldots, a_n) 和 b⃗=(b1,b2,…,bn) \vec{b} = (b_1, b_2, \ldots, b_n) ，则它们的点积定义为对应分量乘积之和：

a⃗⋅b⃗=∑i=1naibi=a1b1+a2b2+⋯+anbn\vec{a} \cdot \vec{b} = \sum_{i=1}^{n} a_i b_i = a_1 b_1 + a_2 b_2 + \cdots + a_n b_n

几何定义

点积还可表示为两个向量的模与夹角余弦的乘积：

a⃗⋅b⃗=∥a⃗∥∥b⃗∥cos⁡θ\vec{a} \cdot \vec{b} = \|\vec{a}\| \|\vec{b}\| \cos\theta

其中 ∥a⃗∥=a12+⋯+an2 \|\vec{a}\| = \sqrt{a_1^2 + \cdots + a_n^2} 为向量的模（L2范数），θ \theta 为两向量夹角 (0≤θ≤π) (0 \le \theta \le \pi) 。两种定义可通过余弦定理证明等价。

基本性质

  1. 交换律: a⃗⋅b⃗=b⃗⋅a⃗ \vec{a} \cdot \vec{b} = \vec{b} \cdot \vec{a}
  2. 分配律: a⃗⋅(b⃗+c⃗)=a⃗⋅b⃗+a⃗⋅c⃗ \vec{a} \cdot (\vec{b} + \vec{c}) = \vec{a} \cdot \vec{b} + \vec{a} \cdot \vec{c}
  3. 与标量乘法的结合律: (ka⃗)⋅b⃗=k(a⃗⋅b⃗)=a⃗⋅(kb⃗) (k\vec{a}) \cdot \vec{b} = k(\vec{a} \cdot \vec{b}) = \vec{a} \cdot (k\vec{b})
  4. 正定性: a⃗⋅a⃗≥0 \vec{a} \cdot \vec{a} \ge 0 ，等号成立当且仅当 a⃗=0⃗ \vec{a} = \vec{0}

几何解释

由 cos⁡θ=a⃗⋅b⃗∥a⃗∥∥b⃗∥ \cos\theta = \dfrac{\vec{a} \cdot \vec{b}}{\|\vec{a}\| \|\vec{b}\|} 可判断向量间方向关系：

  • a⃗⋅b⃗>0 \vec{a} \cdot \vec{b} > 0 ：夹角为锐角 (0≤θ<π/2) (0 \le \theta < \pi/2)
  • a⃗⋅b⃗=0 \vec{a} \cdot \vec{b} = 0 ：两向量正交（垂直），θ=π/2 \theta = \pi/2
  • a⃗⋅b⃗<0 \vec{a} \cdot \vec{b} < 0 ：夹角为钝角 (π/2<θ≤π) (\pi/2 < \theta \le \pi)

点积还可用于计算投影。向量 a⃗ \vec{a} 在 b⃗ \vec{b} 方向上的标量投影长度为 ∥a⃗∥cos⁡θ=a⃗⋅b⃗∥b⃗∥ \|\vec{a}\|\cos\theta = \dfrac{\vec{a} \cdot \vec{b}}{\|\vec{b}\|} ；向量投影则为该标量投影乘以 b⃗ \vec{b} 方向的单位向量 b⃗∥b⃗∥ \dfrac{\vec{b}}{\|\vec{b}\|} 。投影概念在最小二乘法和线性回归等统计方法中具有核心作用，用于将观测数据投影到回归变量所张成的子空间上。

跨学科应用

  • 物理学：计算功。当恒力 F⃗ \vec{F} 作用于物体使其产生位移 d⃗ \vec{d} 时，所做的功为 W=F⃗⋅d⃗ W = \vec{F} \cdot \vec{d} ，即仅有沿位移方向的力分量做功。
  • 统计学与机器学习：余弦相似度利用 cos⁡θ=(a⃗⋅b⃗)/(∥a⃗∥∥b⃗∥) \cos\theta = (\vec{a} \cdot \vec{b})/(\|\vec{a}\|\|\vec{b}\|) 衡量高维向量（如文档嵌入向量）的相似性；人工神经网络中每个神经元的净输入为前一层输出向量与该神经元权重向量的点积，再经激活函数输出。
  • 计算机图形学：通过表面法向量与光照方向向量的点积计算光照强度（朗伯余弦定律），决定渲染时像素的明暗程度。

推广与意义

从抽象数学角度看，点积是内积(Inner Product)在实数向量空间 Rn \mathbb{R}^n 中的一个具体实例。内积空间将长度、距离、正交性和角度等几何概念推广至更一般的抽象空间（如函数空间和希尔伯特空间），是泛函分析和量子力学的理论基础。点积运算的简洁性和深刻性使其成为连接初等数学与高等数学的重要纽带。