通过Qdrant的新API提供更好的推荐
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。
延伸解读
推荐策略选择：平均向量与最佳得分
Qdrant 1.6 的推荐 API 提供两种策略：average_vector 和 best_score。average_vector 将正负样本平均后转换为单一向量搜索，适合简单场景；best_score 则分别计算与每个正负样本的距离，能更好地处理多个样本，尤其当负样本较多时。选择取决于数据集和嵌入模型，建议在实际数据上对比两者效果。
仅用负样本：异常检测与冷启动
新策略 best_score 允许仅提供负样本，这可用于异常检测。例如在 Food Discovery 演示中，将食物图片作为负样本，能找出与食物最不相似的异常项（如药瓶、书籍）。但 average_vector 策略仍要求至少一个正样本，若只有负样本，需通过取负平均向量等技巧模拟。
多模态查询的挑战与应对
Food Discovery 使用 CLIP 模型支持文本和图像混合查询。然而，当混合正文本和负图像时，由于文本与图像嵌入空间的距离差异，best_score 可能被负样本主导，导致结果不佳。此时，average_vector 策略可能更合适。这提醒我们，多模态场景下需注意嵌入的域间距离问题。
Q&A
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。
