发现需要上下文
内容提要
发现搜索是一种强大的工具，通过正负向量约束搜索空间，帮助用户在向量空间中进行更有控制的探索，适用于多模态搜索和多样化推荐，提升用户体验。
延伸解读
发现搜索与传统过滤的本质区别
文章指出，传统的载荷过滤只能根据点的元数据创建掩码，无法反映点在向量空间中的位置。而发现搜索通过正负向量对定义超平面，直接对向量空间进行划分，从而在几何层面约束搜索范围。这种基于纯向量的约束方式，使得搜索能够排除那些在语义上不相关但元数据看似合理的点，为多模态搜索等场景提供了更精准的控制。
多模态搜索中的跨模态挑战与发现搜索的应对
使用CLIP等多模态编码器时，文本和图像虽嵌入同一空间，但分布可能分离，导致用文本查询图像时出现不相关结果。发现搜索允许以文本为目标，同时用图像作为正负上下文来约束图像空间，从而排除不相关图像。文章中的汉堡示例表明，添加负例后仍出现无关图片，正说明跨模态搜索需要这种上下文约束来提升准确性。
上下文搜索如何打破推荐系统的相似性泡沫
当用户输入复杂时，推荐系统容易陷入相似性泡沫，反复推荐同类内容。上下文搜索通过仅提供正负向量对，在向量空间中随机选取点，从而分散搜索焦点，增加推荐多样性。其评分机制受三元组损失启发：点越靠近正向量得分越高，靠近负向量则得分越低。用户可通过添加更多上下文对来精细控制推荐类别，在保持控制的同时获得新鲜推荐。
Q&A
发现搜索的主要功能是什么？
发现搜索通过正负向量约束搜索空间，帮助用户在向量空间中进行更有控制的探索。
如何使用发现搜索进行图像搜索？
可以通过多模态编码器（如CLIP）使用文本或图像查询进行图像搜索，并通过添加负向例子来排除不相关的结果。
上下文在发现搜索中有什么作用？
上下文由正负向量对组成，可以帮助定义搜索空间的超平面，从而优化搜索结果。
什么是上下文搜索，它与发现搜索有什么不同？
上下文搜索只提供上下文而不指定目标，适用于探索定义的空间，而发现搜索则需要同时提供目标和上下文。
发现搜索如何解决推荐系统中的相似性泡沫问题？
通过随机选择向量空间中的点，发现搜索可以提供多样化的推荐，避免用户陷入相似性泡沫。
用户如何优化发现搜索的结果？
用户可以通过提供更多的上下文对，不断优化搜索结果，以获得更符合需求的推荐。
