语义搜索

实际应用

语义搜索改变了我们在各个领域与数字信息交互的方式。两个突出的例子包括

1. 语义图像搜索：在创意领域或管理大型图像数据集时，用户往往需要根据抽象概念查找图像。例如，平面设计师可能会搜索 "日落时分宁静而与世隔绝的海滩"。除非对图像进行细致的标记，否则传统的系统在处理这种查询时会非常吃力。语义搜索系统（如Ultralytics 提供的系统）可以分析图片本身的内容，返回与描述的情绪和元素相匹配的视觉效果，而无需依赖文件名或标签。您可以在我们的相似性搜索指南中了解更多有关实施的信息。
2. 电子商务产品发现：在线零售商利用语义搜索改善购物体验。顾客可能会搜索 "冬天下雪穿的保暖靴子"，而不是具体的产品名称。搜索引擎可以理解 "温暖 "和 "下雪 "的概念，并推荐绝缘、防水靴子等产品，即使产品描述中没有这些确切的关键词。福布斯》杂志的行业专家解释说，这将提高客户满意度，促进销售。

语义搜索与相关概念

必须将语义搜索与人工智能和数据科学中的几个相关术语区分开来：

• 关键词搜索：这是一种将查询中的字词与文档进行匹配的传统方法。它无法理解同义词、上下文或用户意图，而这些正是语义搜索的核心优势。
• 向量搜索：这是指通过计算矢量嵌入的接近程度来查找相似项目的方法。矢量搜索是大多数现代语义搜索系统的重要组成部分，而语义搜索则是一个更广泛的概念，它还包括通过Cohere 等公司提供的复杂 NLP 模型理解含义的初始步骤。
• 知识图谱：知识图谱将信息结构为实体及其关系。通过提供结构化的上下文，知识图谱可以大大增强语义搜索，谷歌知识图谱就是一个例子。不过，语义搜索也可以仅使用嵌入式技术直接对非结构化数据进行操作，因此这两种技术是互补的。
• 命名实体识别（NER）：NER 是 NLP 的一个子任务，用于识别文本中的人名、地名和组织机构等特定实体。它可以作为NLP 管道中的预处理步骤，将关键概念输入语义搜索系统，但它本身并不是搜索过程。

语义搜索是现代人工智能解决方案的基石，它使系统更加智能和用户友好。从日常网络搜索到专门的人工智能应用，包括使用Ultralytics YOLO模型构建并通过Ultralytics HUB 等平台管理的可视化搜索，都离不开这项技术的支持。