快速理解向量和向量数据库

1. 什么是向量，向量的本质是什么？

想象你走进一家咖啡店，想点一杯咖啡。咖啡的口味、价格、甜度就是一些 “属性”。如果把这些属性用数字表示，比如美式咖啡（苦味 8 分，价格 25 元，甜度 0 分），这组数字[8，25，0]就组成了一个 “向量”。简单来说，向量就是一组有序的数字，它能用来描述事物的特征。​在 AI 世界里，向量的本质是将复杂信息转化为计算机能理解的数学语言。比如一段文字、一张图片，都能通过特定算法变成向量，让计算机进行计算和比较。

2. 向量数据库中的维度是什么？

接着上面咖啡的例子，“苦味、价格、甜度” 这三个属性，就是向量的维度。维度就像是描述事物的 “角度”，维度越多，例如再加上“香味，颜色”等维度，对咖啡的描述就更细致。维度越多，对事物的描述就越细致。

在 AI 领域，一个图像向量可能有上千个维度，分别记录图像某个区域的颜色、纹理等信息；一段文本的向量维度，可能反映词语的语义、情感倾向等。维度数量决定了向量包含信息的丰富程度，但维度过高也会增加计算的复杂性。

3. 什么是向量数据库？

传统数据库（如 MySQL）擅长存储结构化数据，比如学生成绩表、商品清单。而向量数据库专门用来存储、管理和查询向量数据。它就像一个巨大的 “数字图书馆”，里面存放的不是书籍，而是各种用向量表示的信息，比如图片、文章、语音等。​向量数据库不仅能存向量，最关键的是具备强大的相似性搜索能力。比如你存入一张猫的图片向量，它能快速找出数据库里所有和这只猫 “长得像” 的图片向量，这是传统数据库很难做到的。

4. 什么时候可以考虑用向量数据库？

• 非结构化数据分析：数据是文本、图像、音频等非结构化数据，需要转化为向量进行分析。​
  

• 相似性搜索，比如找相似的商品、内容推荐、重复检测等，需要将被搜索的事务数据先转化为向量。
  

5. 向量数据库的典型应用场景?

• 个性化推荐：在电商平台，根据用户的浏览记录、购买行为向量，推荐相似的商品；在音乐 APP 里，它能找到和你喜欢的歌曲风格相似的音乐。​

• 语义搜索：输入一段描述，向量数据库可以找到语义相近的文章、视频，比传统关键词搜索更 “懂你”。​

• 图像/ 视频搜索：安防系统中，快速比对监控画面中的人脸；短视频平台中检测重复内容。​

6. 都有哪些常用的向量数据库可以用？

• Milvus：主要用于分布式方案，适合高并发场景，学习门槛低， Apache 2.0 许可

• Faiss：专注于高效的向量相似性计算，适合对性能要求极高的场景。学习门槛相适中，MIT 许可

文章转载自：两棵雪松

原文链接：https://www.cnblogs.com/twosedar/p/18957931

体验地址：http://www.jnpfsoft.com/?from=001YH