一、?嵌入模型 Embedding Models

? ? ? ?嵌入模型是將復雜數據（如文本、圖像、音頻等）轉換為向量表示的機器學習模型

1. 核心概念

• 嵌入(Embedding)：將高維、非結構化的數據映射到低維、稠密的向量空間

• 向量表示：輸出固定長度的數值向量(如256維、768維等)

• 語義保留：相似的數據在向量空間中距離相近

?

2. 嵌入模型案例

將狗向量化，每一個比較標準即是一個向量維度，例如下圖是一個二維向量

當比較標準越多，對向量的比較（相似度、區分度）也就越高，例如下圖是一個高維向量

?

3.?常見嵌入模型類型

? ? ? ?依此標準，萬物皆可向量化，例如文字、圖片、音頻、視頻、多模態數據，均可以有自己的標準實現向量化。

?

嵌入模型將萬物向量化，而向量數據庫就用于存儲、比較這些向量數據。

?

4. 向量存儲案例

?

二、 向量的比較方法

1. 與普通數據庫的差異

與普通數據庫的“精確”匹配不同，向量比的是“相似性”。

例如我想搜索“廣州”

• 普通數據庫查詢寫法只能是 ='廣州'?或者 like '%廣州%'
• 向量搜索 輸入可以是 “早茶”、“白云山”、“羊城”，返回結果依然有廣州

?

2. 暴力搜索（平坦搜索）

? ? ? ? 即逐一比較，這是唯一能真正做到精確比較方法。

? ? ? ?如果我們要求精確返回最相似的 top k個值，專業術語叫做?k-最近鄰搜索 (k-Nearest Neighbors Search, k-NN Search)，然而，對于高維向量而言，這不現實也沒必要。

? ? ? ?使用近似算法犧牲少量精度換取顯著性能提升，是實際向量數據庫中最常用的實現方式，專業術語叫做?近似最近鄰搜索(Approximate Nearest Neighbors, ANN)。

?

3. 聚類搜索 IVFFlat

? ? ? ?IVFFlat 即 Inverted File with Flat Compression?是向量數據庫中常用的 ANN算法，由Facebook的FAISS團隊提出，專門用于高效處理大規模向量相似性搜索。

? ? ? ?其核心是將向量分為不同的群集，找到各個群集的中心點。這樣，只需將向量與各中心點比較，即可大致找到與待查詢向量最近的群集，然后在群集中搜索，大幅縮小查詢范圍

?

?

4. 圖搜索

?

未完待續...

?

?