向量相似性：超越传统全文搜索 | Qdrant
内容提要
向量相似性超越传统全文搜索，提供更强大的数据探索工具，包括不相似性搜索、多样性采样和推荐系统。实际应用包括通过检测错误标记和识别异常来提高数据质量，增强用户体验，促进更智能的决策。
延伸解读
向量相似性与全文搜索：互补而非替代
文章指出，向量相似性搜索与全文搜索在功能上有交集，但各有独特优势。全文搜索擅长精确短语匹配和结果计数，而向量相似性则能实现跨模态检索（如以文搜图）。若将向量相似性简单视为全文搜索的扩展，可能导致响应慢、结果差、功能受限等问题。因此，两者应结合使用，而非相互替代。
不相似性搜索：数据质量检测的利器
不相似性搜索通过反转搜索目标，寻找与查询最不相似的项目。文章举例说明，在家具数据集中，可用类别标题的嵌入作为查询，结合过滤器，找出可能被错误标记的物品；在无标签场景下，也可用一组“正常”参考点，找出最不相似的异常点。这些应用有助于提升数据质量。
多样性采样与推荐：提升探索与个性化体验
多样性采样通过最大化结果间的距离，避免随机采样因数据分布不均而产生的偏差，特别适合用户尚未明确目标时的探索场景。推荐系统则能结合多个正负例，通过平均向量或相对距离方法，利用已存储向量加速推荐，无需查询时神经网络推理，从而提升用户体验和决策效率。
发现功能：基于三元组损失的交互式探索
发现功能借鉴了训练相似性模型的三元组损失机制，用户提供正负例对，系统在向量集合中寻找合适的锚点。与推荐不同，发现不要求结果接近正例，只要求比负例更接近。该方法能容忍数据噪声和矛盾信息，并可结合过滤或相似性搜索进行重排序，适用于目标未知的探索场景。
Q&A
向量相似性搜索与传统全文搜索有什么区别？
向量相似性搜索支持语义相似性查找和不相似性搜索，而传统全文搜索主要依赖关键词匹配，功能上存在显著差异。
向量相似性如何提高数据质量？
向量相似性通过检测错误标记和识别异常，能够有效提高数据质量。
什么是多样性采样，它有什么用？
多样性采样是一种利用相似性信息来提高数据集选择多样性的方法，特别适用于用户尚未明确需求时的探索。
向量数据库的优势是什么？
向量数据库能够存储和处理大量向量，支持新技术的实施，提供更强大的数据探索能力。
如何利用向量相似性进行推荐系统？
向量相似性可以结合多个正负示例生成查询向量，从而实现更准确的推荐。
向量相似性搜索的实际应用有哪些？
实际应用包括错误标记检测、异常识别、数据质量提升和增强用户体验等。
