趋近智
向量数据库与语义搜索实现
章节 1: 向量嵌入与向量空间
从数据到向量：回顾
嵌入模型概述
理解向量维度
降维技术概述
测量向量空间中的相似度
动手实践：生成与比较嵌入
章节 2: 向量数据库介绍
什么是向量数据库？
核心架构组成部分
数据模型与数据结构定义
向量操作：CRUD
元数据过滤
扩展考量
实践操作：向量数据库基本交互
章节 3: 近似最近邻 (ANN) 搜索
近似的需求
ANN 的核心思想
算法概览：HNSW
算法概述：IVF
算法概述：LSH
索引参数与调优
评估 ANN 性能
动手实践：调整索引参数的试验
章节 4: 构建语义搜索系统
语义搜索与关键词搜索再比较
语义搜索流程的架构
数据准备与分块处理
查询处理与向量化
结果排序与再排序
实现混合搜索
评估语义搜索相关性
动手实践：设计搜索查询流程
章节 5: 向量数据库的应用实践
选择向量数据库平台
使用 Pinecone 客户端
使用 Weaviate 客户端
使用 Milvus 客户端
使用 ChromaDB 客户端
高效索引大型数据集
监控与维护
动手实践：构建小型语义搜索应用
从数据到向量：回顾
这部分内容有帮助吗？
- Efficient Estimation of Word Representations in Vector Space, Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean, 2013 International Conference on Learning Representations (ICLR) Workshop DOI: 10.48550/arXiv.1301.3781 - 本文介绍了Word2Vec，一种学习分布式词向量表示的方法，能够捕捉词汇的语义和句法关系，是向量嵌入的基础。
- Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, 2017 Advances in Neural Information Processing Systems 30 (NIPS 2017) DOI: 10.48550/arXiv.1706.03762 - 这篇开创性论文提出了Transformer架构，通过引入自注意力机制，成为许多当前先进嵌入模型的核心组成部分。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本内容全面的教科书，涵盖了深度学习的理论基础和实践方面，包括神经网络如何学习有意义的数据表示（嵌入）。
- Stanford CS224N: Natural Language Processing with Deep Learning, Diyi Yang, Tatsunori Hashimoto, Winter 2025 - 一门大学课程，提供关于现代自然语言处理的讲义和资源，内容涵盖词向量、神经网络以及用于生成嵌入的Transformer模型。