AI创想

标题: 【自然语言处理与大模型】向量数据库技术 [打印本页]

作者: 米落枫 时间: 昨天 07:22
标题: 【自然语言处理与大模型】向量数据库技术
作者：CSDN博客
向量数据库，是专门为向量检索设计的中间件！
高效存储、快速检索和管理高纬度向量数据的系统称为向量数据库。
一、向量数据库是什么有什么用？

向量数据库是一种专门用于高效存储和检索高维向量数据的系统。它通过嵌入模型将各类非结构化数据（包括文本、图像、音频等）转化为向量表示，并借助优化的索引结构和搜索算法实现快速查询。该数据库的核心功能在于执行相似性搜索：通过计算向量间的距离度量（如欧几里得距离或余弦相似度），精准定位与目标向量最相似的数据点。这种特性使其在处理非结构化数据方面表现出色，广泛应用于语义搜索、内容推荐等需要深度理解数据语义的场景。

功能类别	描述
向量存储	高效存储和管理高维向量数据
相似性度量	精准计算向量间的相似度（余弦相似度、欧氏距离和曼哈顿距离）
相似性搜索	快速检索与目标向量最相似的条目

(, 下载次数: 0)

二、如何存储和检索嵌入向量

如何存储：向量数据库将嵌入向量存储为高维空间中的点，并为每个向量分配唯一标识符（ID），同时支持存储元数据。
如何检索：通过近似最近邻（ANN）算法（如PQ等）对向量进行索引和快速搜索。比如，FAISS和Milvus等数据库通过高效的索引结构加速检索。
三、向量数据库与传统数据库对比

传统数据库	向量数据库
数据类型	存储结构化数据（如表格、行、列）	存储高维向量数据，适合非结构化数据（如文本、图像、音频等）
存储结构	基于关系模型或键值对等结构	基于向量空间模型，支持高维向量的高效存储
查询方式	使用 SQL 等语言进行精确匹配查询（如=、<、>）	基于相似度或距离度量（如余弦相似度、欧氏距离）进行模糊匹配
索引机制	B树、哈希索引等用于快速查找	使用 HNSW、IVF-PQ、Faiss 等专有索引加速近似最近邻搜索
性能特点	擅长处理小规模、结构化数据的精确查询	面对大规模、高维数据时仍能保持高效的相似性检索
应用场景	事务系统、报表、CRM、ERP 等结构化数据管理场景	语义搜索、图像识别、推荐系统、AI 相似性分析等需要向量化处理的场景

【注】向量数据库的核心价值在于高效检索，其本身并不生成向量，而是依赖于Embedding模型进行向量化处理。与传统数据库相比，向量数据库并非替代关系，而是形成互补。在实际应用场景中，二者往往根据具体需求协同使用，共同构建更完善的数据处理体系。
四、主流向量数据库功能对比

名称	Web GUI	GPU 支持	远程支持 (HTTP/gRPC)	云原生	开源	元数据（混合搜索）
FAISS	不支持	支持	不支持	不支持	支持	不支持
Milvus	支持	支持	支持	支持	支持	支持
Qdrant	不支持	支持	支持	支持	支持	支持
Chroma	支持	支持	支持	支持	支持	支持

(, 下载次数: 0)

原文地址：https://blog.csdn.net/lxw1844912514/article/details/149059243

欢迎光临 AI创想 (https://m.llms-ai.com/)