语义搜索

语义搜索超越了字面关键字匹配的范畴，而是要理解用户查询背后的意图和语境含义。 理解用户查询背后的意图和上下文含义。通过利用先进的 自然语言处理（NLP） 和复杂的 机器学习 (ML)算法，这项技术在人类语言与机器语言之间架起了一座桥梁。 技术在人类语言和机器理解之间架起了一座桥梁。它是现代 人工智能（AI）系统的重要组成部分、 即使在源数据中缺少准确术语的情况下，它也能检索出高度相关的结果。

语义搜索如何工作

语义搜索的核心机制涉及将非结构化数据（如文本、图像或音频）转换为被称为嵌入的高维数字向量。 被称为嵌入的高维数字向量。 这些向量被放置在多维语义空间中，在这个空间中，具有相似含义的项目代表着紧密的 空间关系。

例如，在语义系统中，"猫科动物伴侣 "的搜索将与 "猫 "或 "小猫"，因为深度学习模型 能理解概念关系，而如果目标文档中没有 "feline "这个特定单词，传统的词法搜索引擎可能会失败。 而如果目标文档中没有出现 "猫科动物 "这个特定词，传统的词法搜索引擎可能会失败。这一过程通常依赖于 向量数据库，如 矢量数据库，如Milvus或Pinecone。 嵌入。

下面的Python 代码演示了如何使用 ultralytics 软件包。这是构建可视化语义搜索系统的第一步。

from ultralytics import YOLO

# Load a pre-trained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")

# Generate embeddings for an image (returns a list of tensors)
# This converts visual content into a numerical vector representation
results = model.embed("https://ultralytics.com/images/bus.jpg")

# Print the shape of the embedding vector to verify output
print(f"Embedding vector shape: {results[0].shape}")

实际应用

语义搜索使信息检索更直观、更有效，从而改变了各行各业。

• 电子商务和视觉发现：在线零售商利用语义搜索来改善客户体验。 客户体验。购物者可能会搜索 "夏季碎花连衣裙"，即使产品描述中没有这些确切的关键词，系统也能返回相关的视觉匹配信息。 即使产品描述中没有这些确切的关键词。这通常利用 多模态模型，可以同时处理文本 和图像查询。
• 知识管理和 RAG：在企业环境中，员工经常根据概念而不是文件名搜索文档。 概念而不是文件名。语义搜索为 检索增强生成 (RAG)，即人工智能检索与上下文相关的信息来回答复杂的问题，从而增强大语言模型(LLM) 的能力。 大型语言模型 (LLM) 的能力。
• 内容推荐：流媒体服务和内容平台利用语义理解来构建推荐系统。 建立推荐系统。通过分析 用户喜欢的内容的语义特征，系统就能推荐概念相似的电影或文章、 保持用户的参与度。

语义搜索与相关概念

必须将语义搜索与其他信息检索术语区分开来，以了解它在人工智能领域的具体作用 在人工智能领域的具体作用。

• 矢量搜索:矢量搜索是用于执行语义搜索的数学方法。它涉及计算 矢量之间的距离（使用诸如 余弦相似度等指标）来找到 最近的邻居。语义搜索的应用范围更广，包括对意图的理解。
• 关键词搜索：这是一种传统方法，依赖于匹配精确的字符串。 它的计算成本较低，但缺乏理解同义词或多义词（具有多种含义的词 多义词）。
• 零距离学习:这指的是模型在训练过程中识别或分类从未见过的项目的能力。 语义搜索引擎通常具有零点学习能力，因为它们可以将新查询映射到现有的语义 簇，而无需明确的重新训练。
• 自然语言理解（NLU）:NLU 是 NLP 的一个子集，侧重于机器阅读理解。NLU 提供解释查询的智能 语义搜索则是根据解释结果进行检索的过程。

通过超越僵化的关键词匹配，语义搜索使计算机视觉和基于文本的系统能够 计算机视觉和基于文本的系统 以更加自然和 "类人 "的方式与人类进行交互。对于希望实现这些功能的开发人员来说 功能的开发人员，探索 Ultralytics 相似性搜索指南提供了 使用这些概念的实用步骤 YOLO11.