点积又称内积，就是一种向量操作，把两个向量的元素对应相乘，然后把结果相加即可。
它可以计算相似性，还要从向量空间说起。向量就是一列数字，这一列有多少元素，就看成是多少维度的空间。
如向量a
array([[1], [2], [3], [4], [5], [6]])
那么我就可以把 a 看成是在一个6维空间的一个点。这么做的好处是点最简单啊，如果是一个二维的图像，你想有多少分类（三角形、长方形、菱形。。。），这些分类的每一种又有多少性质？总之，问题就复杂了，而一个点就简单了，独一无二，没有啥性质，唯一的性质就是它的坐标了，把问题简单化就是这么做的目的。
如果 a 点的坐标数据表示一个事物的属性值，那么如果事物 b 的属性值和 a 特别相似，就可以认为 a 和 b 特别相似。
这和点积有啥关系？这就是点积的另外一个公式： a·b=|a||b|cosθ ，其中|a| 代表空间中点 a 到原点的长度 |b|也类似。θ代表0a 和 0b的夹角，0代表原点。
如果两个点的长度相近，夹角接近0，那么就认为相似。
在夹角的区间[0,pi]中，cos的值在[-1,1]取值。
而长度那就没边了，可以取整个实数域。要把长度和夹角的权重都差不多才行，否则长度过大，就会不准。
解决办法就是把长度映射到区间[0,1]上，用指数函数，以e为底 e^{-x}，当然这是原型，实际还要复杂一点。这样长度和夹角都有相等的权重，它们相乘的结果才会有相似度的度量功能。
这样，点积就可以度量相似性了，即点积值越大的，相似性越高。
上面虽然已经解决了，但有时长度过大，再加上指数函数的性质，导致点积值飞快的接近0，甚至出现下溢出的问题。
看指数的图像也可以看出来：
到 -5 的时候已经很接近 0 了，最好是把 x 的取值区间也控制一下，比如数值的取值范围大多在10万以内，维度是6，则除以 72 这样 x 数值就控制在1400以内了，这个 72 就是维度的平方乘以 2，故最后的归一公式这个样子：
np.exp(-0.5 * x^2/d^2)
参数也不宜过大，这样是指就都接近 1 了，总之一言以蔽之，中庸之道最好。