向量搜索

矢量搜索是一种复杂的信息检索技术，它能根据数学特征而不是精确的关键字匹配，在数据集中识别类似的项目。 而不是精确的关键字匹配。通过将文本、图像或音频等数据 通过将数据（如文本、图像或音频）表示为高维数字向量（称为 嵌入，这种方法能让计算机理解数据背后的上下文和语义。 查询背后的上下文和语义。与传统的 关键词搜索依赖于特定词语的匹配、 矢量搜索计算的是多维空间中项目之间的接近度，因此即使在措辞不同的情况下，也能返回相关结果。 结果。这种能力是现代 人工智能（AI）和 机器学习（ML）系统的基础，尤其是在 处理视频和自然语言等非结构化数据时尤其如此。 自然语言。

矢量搜索的工作原理

矢量搜索的核心机制是将原始数据转换成可搜索的数字格式。这一过程 依赖于深度学习模型来执行 特征提取，将输入转换为 向量嵌入。

1. 矢量化：ML 模型，如最先进的 YOLO11处理图像或文本，并输出一个矢量--一长串表示项目特征（如形状、颜色或语义概念）的数字。 一长串数字，代表项目的特征（如形状、颜色或语义概念）。
2. 编制索引：对这些载体进行有效组织，通常是在专门的 矢量数据库，以便快速检索。
3. 相似性计算当用户提交查询时，系统会将查询转换为向量 并使用诸如 余弦相似度或 欧几里得距离。
4. 检索：系统识别并返回 "近邻"，即在数学上最接近查询的向量。 或在数学上最接近查询的向量。 近似近邻（ANN） 算法，以提高大型数据集的可扩展性。

实际应用

矢量搜索驱动着许多用户日常互动的智能功能，涵盖了从电子商务到安全等各个行业。 从电子商务到安全。

• 零售业的视觉发现在 人工智能在零售业中的应用 look "功能。如果用户上传了一张运动鞋的照片，系统会利用计算机视觉 计算机视觉生成嵌入，并 在目录中找到视觉上相似的产品，从而有效地充当一个 推荐系统。 而不是产品名称的推荐系统。
• 内容管理与安全：平台使用矢量搜索 将新上传内容与已知的非法内容或安全威胁数据库进行比较，从而进行异常检测。 与已知非法内容或安全威胁数据库进行比较。通过匹配图像或视频帧的语义特征 视频帧的语义特征进行匹配，系统就能标记出潜在的有害内容，即使这些内容稍有改动，也能提高数据的安全性。 数据安全性。

Python 示例：生成嵌入

任何向量搜索管道的第一步都是生成嵌入。以下代码片段演示了如何 从图像中生成特征向量。 Ultralytics Python软件包和预训练模型，从图像中生成特征向量。

from ultralytics import YOLO

# Load the official YOLO11 model
model = YOLO("yolo11n.pt")

# Generate embeddings for an image file or URL
# The 'embed' method returns the high-dimensional feature vector
results = model.embed("https://ultralytics.com/images/bus.jpg")

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

向量搜索 vs. 相关概念

为了有效地实施这些系统，将向量搜索与数据科学领域中密切相关的术语区分开来是很有帮助的。 数据科学领域中密切相关的术语。

• 矢量搜索与语义搜索：语义搜索是理解用户意图和意义的更广泛概念。矢量搜索是具体的 矢量搜索是通过计算矢量的数学接近度来实现这一目标的具体方法。而语义搜索 描述的是 "什么"（寻找意义），而矢量搜索描述的是 "如何"（使用嵌入和 距离度量）。
• 矢量搜索与矢量数据库：矢量数据库是用于存储和索引嵌入数据的专用基础设施。矢量搜索是 查询该数据库以查找类似项目的操作或过程。利用矢量数据库可以 有效地执行矢量搜索。
• 矢量搜索与自然语言处理（NLP 自然语言处理（NLP）：NLP 专注于计算机与人类语言之间的交互。而 NLP 模型（如 Transformers 通常用于创建文本嵌入，而矢量搜索则是基于这些嵌入的检索机制。 嵌入。

通过利用 实时推理的速度和深度学习特征提取的深度 学习特征提取的深度，矢量搜索允许应用程序超越僵化的数据库，提供直观的、类似于人类的发现体验、 人性化的发现体验。无论是实现 库存的对象检测，还是构建一个 聊天机器人，矢量搜索都是现代人工智能工具中的基础工具。 是现代人工智能开发人员工具包中的基础工具。