Qdrant - Vector Database
·
通过Qdrant的新API提供更好的推荐
原文英文，约2200词，阅读约需8分钟。
📝
内容提要
Qdrant 1.6更新了推荐API，提供更灵活的控制，支持同时传递正负示例的ID和向量，采用多种推荐策略。新策略“最佳得分”允许仅使用负样本，优化推荐效果。Food Discovery演示应用展示了新API的多种功能，包括文本和图像查询的结合。
🎯
关键要点
-
Qdrant 1.6更新了推荐API，提供更灵活的控制，支持同时传递正负示例的ID和向量。
-
新策略'最佳得分'允许仅使用负样本，优化推荐效果。
-
Food Discovery演示应用展示了新API的多种功能，包括文本和图像查询的结合。
-
新API允许在单个请求中组合正负示例的ID和向量，增强了推荐的灵活性。
-
推荐策略包括'平均向量'和'最佳得分'，后者提供了更复杂的算法。
-
Food Discovery演示应用支持多种文本查询，解决了冷启动问题。
-
在处理负样本时，'最佳得分'策略能够有效检测异常值。
-
多模态的CLIP嵌入模型允许同时处理图像和文本查询，提升了查询的灵活性。
❓
延伸问答
Qdrant 1.6的推荐API有哪些新功能？
Qdrant 1.6的推荐API支持同时传递正负示例的ID和向量，并允许在单个请求中组合这些示例，提供了更灵活的控制。
什么是'最佳得分'策略，它如何优化推荐效果？
'最佳得分'策略允许仅使用负样本，通过计算正负示例的距离来优化推荐效果，避免选择靠近负样本的项。
Food Discovery演示应用是如何利用新API的？
Food Discovery演示应用结合了文本和图像查询，允许用户根据喜欢和不喜欢的照片找到餐点，并支持多种文本查询。
Qdrant的推荐API如何处理冷启动问题？
新API允许传递多个文本查询，解决了冷启动问题，使得推荐系统在缺乏用户历史数据时仍能提供有效推荐。
Qdrant 1.6的推荐策略有哪些？
Qdrant 1.6的推荐策略包括'平均向量'和'最佳得分'，前者基于正负示例的平均值，后者则使用更复杂的算法。
如何在Qdrant中选择合适的推荐策略？
选择合适的推荐策略应根据数据集的特点进行尝试，'最佳得分'策略在添加多个正负示例时效果更佳。
🏷️
