北京
你在電商平臺輸入“適合長途走路的舒適鞋”，不到一秒，頁面展示了幾款輕便跑鞋和軟底運動鞋，可商品標題里根本沒出現“長途走路”這幾個字。這種體驗正變得越來越常見 —— 搜索不再機械地匹配關鍵詞，而是像讀懂了你的本意。撐起這套新邏輯的，是一項叫作向量搜索的技術。
傳統搜索靠的是字符匹配，而向量搜索借助人工智能，把用戶的查詢詞和數據庫里的內容都轉化成一組數學向量，也就是嵌入。它不關心字面是否相同，只比較兩個向量在語義空間里的距離。距離越近，含義越相似。比如，你搜“下雪天穿的外套”，結果出現的可能是標注為“冬季夾克”的商品，哪怕描述里根本沒提“雪”字。
這個過程分四步走。首先，把所有待檢索的對象 —— 商品、文檔、圖片等 —— 預先轉換成嵌入向量。其次，用相同的模型把用戶輸入的查詢也轉成一個向量。接著，計算查詢向量跟每個存儲向量之間的相似度，常用的工具有余弦相似度或歐氏距離。最后，把相似度最高的那批結果按順序推給用戶。整個鏈條跑下來，機器沒有“讀懂”一句話的內在意思，但通過高維向量之間的關系，它把語義相近的物品聚到了一起。
向量本質上是一個數字列表，每個數字對應數據在某種特征維度上的坐標。嵌入則是這個轉換過程的產物 —— 一段文本、一張圖片或一段語音，被壓縮進一個固定長度的數組里。內容相似的物體，它們的嵌入向量會自然靠近。如今被廣泛使用的嵌入模型包括 BERT、Word2Vec 和 GloVe，它們分別從不同角度捕捉了詞語的上下文和語義關聯。
相較于關鍵詞搜索，向量搜索的優勢很實在。它能理解用戶的查詢意圖，而非拘泥于精確匹配，從而提供更貼切的搜索結果。非結構化數據如文本、圖像、視頻、音頻和文檔，傳統搜索處理起來吃力，向量搜索卻能一口吞下。它天然支持跨語言檢索，一種語言的查詢可以對應到另一種語言的內容。隨著模型不斷學習，系統還能逐步摸清個人偏好，讓推薦因人而異。最后，聊天機器人、推薦引擎、虛擬助手，以及最近興起的檢索增強生成系統，都離不開向量搜索在背后提供語義匹配的支持。
但硬幣的另一面同樣需要正視。向量搜索對計算和存儲的開銷遠高于傳統方案，部署和維護也復雜不少。挑選一個合適的嵌入模型直接決定最終效果，萬一選錯，整個檢索質量都會打折扣。由于結果是基于語義相似度算出來的，一旦出問題，調試起來比查關鍵字匹配要棘手
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
