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
嵌入模型概述
这部分内容有帮助吗？
- 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), Vol. 30 DOI: 10.48550/arXiv.1706.03762 - 介绍了Transformer架构和自注意力机制，对现代上下文嵌入模型至关重要。
- BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, 2019 Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers) (Association for Computational Linguistics) DOI: 10.18653/v1/N19-1423 - 提出了BERT，一个通过对大量文本语料库进行预训练获得深度双向上下文表示的重要模型。
- Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks, Nils Reimers, Iryna Gurevych, 2019 Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP) (Association for Computational Linguistics) DOI: 10.18653/v1/D19-1410 - 描述了SBERT，这是一个BERT的改进版本，旨在生成具有语义意义的句子嵌入，以用于高效的相似性任务。
- Efficient Estimation of Word Representations in Vector Space, Tomas Mikolov, Kai Chen, Greg Corrado, Jeffrey Dean, 2013 International Conference on Learning Representations (ICLR 2013) Workshop Track DOI: 10.48550/arXiv.1301.3781 - 介绍了Word2Vec，一种学习词嵌入的方法，根据词的分布捕捉语义关系。