向量数据库学习笔记（1） —— 基础概念

一、 嵌入模型 Embedding Models

       嵌入模型是将复杂数据（如文本、图像、音频等）转换为向量表示的机器学习模型

1. 核心概念

• 嵌入(Embedding)：将高维、非结构化的数据映射到低维、稠密的向量空间

• 向量表示：输出固定长度的数值向量(如256维、768维等)

• 语义保留：相似的数据在向量空间中距离相近

 

2. 嵌入模型案例

将狗向量化，每一个比较标准即是一个向量维度，例如下图是一个二维向量

当比较标准越多，对向量的比较（相似度、区分度）也就越高，例如下图是一个高维向量

 

3. 常见嵌入模型类型

       依此标准，万物皆可向量化，例如文字、图片、音频、视频、多模态数据，均可以有自己的标准实现向量化。

 

嵌入模型将万物向量化，而向量数据库就用于存储、比较这些向量数据。

 

4. 向量存储案例

 

二、 向量的比较方法

1. 与普通数据库的差异

与普通数据库的“精确”匹配不同，向量比的是“相似性”。

例如我想搜索“广州”

• 普通数据库查询写法只能是 ='广州' 或者 like '%广州%'
• 向量搜索 输入可以是 “早茶”、“白云山”、“羊城”，返回结果依然有广州

 

2. 暴力搜索（平坦搜索）

        即逐一比较，这是唯一能真正做到精确比较方法。

       如果我们要求精确返回最相似的 top k个值，专业术语叫做 k-最近邻搜索 (k-Nearest Neighbors Search, k-NN Search)，然而，对于高维向量而言，这不现实也没必要。

       使用近似算法牺牲少量精度换取显著性能提升，是实际向量数据库中最常用的实现方式，专业术语叫做 近似最近邻搜索(Approximate Nearest Neighbors, ANN)。

 

3. 聚类搜索 IVFFlat

       IVFFlat 即 Inverted File with Flat Compression 是向量数据库中常用的 ANN算法，由Facebook的FAISS团队提出，专门用于高效处理大规模向量相似性搜索。

       其核心是将向量分为不同的群集，找到各个群集的中心点。这样，只需将向量与各中心点比较，即可大致找到与待查询向量最近的群集，然后在群集中搜索，大幅缩小查询范围

 

 

4. 图搜索

 

未完待续...