Embedding与向量数据库

1.Embedding  是什么

Embedding Model 是一种机器学习模型，它的核心任务是将离散的、高维的符号（如单词、句子、图片、用户、商品等）转换成连续的、低维的向量（称为“嵌入”或“向量表示”），并且这个向量能有效地捕捉原始符号的语义、关系或特征。
        1.1 通俗理解
            Embedding Model是让计算机“理解”世界的核心工具，把“文字、图片、音频”等信息变成一串有意义的数字我们称之为“向量” 。
        类比：假设用3个数字描述水果：

苹果 → [0.9, 0.1, 0.3]
香蕉 → [0.8, 0.5, 0.0]
橙子 → [0.7, 0.2, 0.4]
数字越接近 = 特征越相似（如苹果和橙子的三组数字都很接近，因为都是圆形水果）

    1.2 代码理解

    这里我们使用Python 中 Gensim 库，如果没有安装的童鞋执行如下进行安装

1. pip install gensim -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

简单介绍：Gensim 是一个专注于非结构化文本处理的 Python 库，主要用于主题建模、文档相似度和词向量训练。可通过如下链接获取资料
gensim库学习:初识：Python库gensim-CSDN博客
   官网: https://radimrehurek.com/gensim/
   GitHub: https://github.com/RaRe-Technologies/gensim、
示例代码

1. # 本脚本演示如何使用Gensim库进行Word2Vec词向量训练与相似度计算
2. # 包含：语料准备、模型训练、词向量输出与词语相似度计算
4. from gensim.models import Word2Vec  # 导入Word2Vec模型类
6. # 1. 语料准备（已分词）
7. sentences = [["猫", "吃", "鱼"], ["狗", "啃", "骨头"]]  # 两个简单的中文句子，已分词
9. # 2. 训练Word2Vec模型
10. model = Word2Vec(sentences, vector_size=3, window=2, min_count=1)  # 训练Word2Vec模型，向量维度为3，窗口大小为2，最小词频为1
12. # 3. 输出词向量
13. print(model.wv["猫"])  # 输出“猫”对应的词向量（示例输出如[-0.1, 0.8, 0.2]）
15. # 4. 计算词语相似度
16. print(model.wv.similarity("猫", "狗"))  # 计算“猫”和“狗”的词向量余弦相似度

复制代码

2.Embedding如何判断相似值

在大模型中判断两个句子是否相似，主要通过以下步骤实现
相似度判断流程：
2.1 文本向量化（Embedding）

    模型将每个句子转换为向量化数字
     例如：
     句子A： 早上好，你吃饭了吗
     句子B： 早上好，我吃饭了
      向量化
     句子A → [0.23, -0.45, 0.12, ..., 0.78]
     句子B → [0.25, -0.42, 0.15, ..., 0.75]
   2.2.余弦相似度计算

   将向量化后的数值进行余弦计算
     计算两个向量夹角的余弦值
      公式：cos(θ) = (A·B) / (||A|| × ||B||)
       其中：
      A·B 是向量点积
      ||A|| 和 ||B|| 是向量模长
    2.3.相似度评估标识

看最后计算出来的值接近哪个范围进行判断
      余弦值范围：[-1, 1]
     1：完全相同（向量方向完全一致）
     0：无关（向量正交）
    -1：完全相反
    2.4 代码示例

1. from sentence_transformers import SentenceTransformer, util
3. # 加载预训练模型
4. model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')
6. # 定义句子
7. sentences = [
8.     "早上好，你吃饭了吗",  # 句子A
9.     "早上好，我吃饭了"    # 句子B
10. ]
12. # 生成嵌入向量
13. embeddings = model.encode(sentences)
15. # 计算余弦相似度
16. cosine_sim = util.pytorch_cos_sim(embeddings[0], embeddings[1])
18. print(f"余弦相似度: {cosine_sim.item():.4f}")  # 输出: 0.9263

复制代码

3.Embedding的N-Gram（N元语法）

           在Embedding技术中，N元语法（N-gram）的核心作用是引入局部上下文信息，以增强词或子词表示的语义丰富性、区分性和鲁棒性。 它主要用于解决单纯基于词（word）的Embedding（如经典的Word2Vec）的一些局限性。
     3.1什么是N-Gram

      N-Gram 是自然语言处理（NLP）中的基础概念，指文本中连续的 N 个项（item）组成的序列。这里的"项"可以是：

字符（character）
音节（syllable）
单词（word）
或其他语言单位

N-Gram 类型详解

类型	公式	示例（文本："今天天气好"）
1-gram	$P(w_i)$	今, 天, 天, 气, 好
2-gram	$P(w_i|w_{i-1})$	今天, 天天, 天气, 气好
3-gram	$P(w_i|w_{i-2},w_{i-1})$	今天天, 天天, 天气, 气好
4-gram	$P(w_i|w_{i-3}...w_{i-1})$	今天天气, 天天, 天气, 气好

3.2N-gram在Embedding中的主要作用和应用方式

捕捉局部上下文与一词多义（Polysemy）：

问题： 同一个词在不同上下文中可能有完全不同的含义（例如，“苹果”在“吃苹果”和“苹果手机”中意思不同）。单纯的词Embedding（每个词一个固定向量）无法区分这种差异。
N-gram解决方案： 使用N-gram（尤其是Bi-gram, Tri-gram）作为构建Embedding的基本单元或特征。例如，在“吃苹果”中，“吃苹果”这个bi-gram会有一个特定的表示；在“苹果手机”中，“苹果手机”这个bi-gram会有另一个表示。这样，同一个词“苹果”在不同的N-gram组合中会获得不同的上下文感知的向量表示（间接地），从而更好地捕捉一词多义。

增强对未登录词/稀有词的处理（OOV & Rare Words）：

问题： 在大型语料库中，总会出现一些在训练集中从未出现过的词（Out-Of-Vocabulary, OOV）或者出现频率极低的词（Rare Words）。基于词的模型无法为这些词生成有意义的向量（通常映射到统一的<UNK>向量）。
N-gram解决方案（子词Embedding）： 这是N-gram在Embedding中最成功的应用之一（如fastText, Byte Pair Encoding）。核心思想是：

一个词由更小的单元（字符N-gram）组成。
训练时，不是直接为整个词学习一个向量，而是为词中所有可能的字符N-gram学习向量。
一个词的最终Embedding是其所有组成字符N-gram向量的求和或平均。
优势： 即使一个词从未在训练集中出现过，只要它的组成字符N-gram在训练集中出现过，就能通过组合这些N-gram的向量来生成一个相对合理的词向量。这对于处理拼写错误、派生词、复合词以及形态丰富的语言（如德语、土耳其语）特别有效。



提供更细粒度的语义信息：

N-gram（尤其是较小的n）可以捕捉词内部的形态结构（如前缀、后缀、词根）和词之间的紧密搭配关系（如固定短语“纽约”、“机器学习”）。这些信息对于理解词义和短语含义至关重要，是单纯词级Embedding可能忽略的。

作为特征输入：

在一些模型中，显式的N-gram特征（如Bi-gram, Tri-gram）可以直接作为额外的特征，与词Embedding拼接（concatenate）在一起，输入到下游任务（如文本分类、序列标注）的模型中。这为模型提供了更直接的局部上下文线索。

4.Embedding的使用场景

自然语言处理： 将单词或句子转换成向量表示，用于文本分类，机器翻译，情感分析等任务。推荐系统：将用户和产品映射成向量表示，从而能够更好地理解用户的喜好和匹配物品。图像处理：将图像转换成向量表示，用于图像分类，对象检测等任务。

5.向量数据库

  5.1什么是向量数据库  

  向量数据库（Vector Database） 是专为存储、索引和检索高维向量（例如 Embedding 生成的语义向量）而设计的数据库。它的核心作用是解决传统数据库难以高效处理的 “相似性搜索” 问题。
  本质：向量数据库是AI时代的“相似性搜索引擎”，让机器理解的数据（向量）变得可高效检索，是大模型应用的关键基础设施。
常见的向量数据库：FALSS、Milvus、Pinecone

Faiss：Facebook开发的高性能库，支持十亿级数据毫秒级响应，适合推荐系统场景Milvus：开源分布式数据库，具备强大的横向扩展能力Pinecone：云原生托管服务，提供即用型向量存储解决方案

5.2 工作原理

输入数据 → 通过模型生成 Embedding 向量 → 存入向量数据库 → 用户输入查询 → 查询被向量化 → 在数据库中搜索相似向量 → 返回相似结果
5.3 与传统数据库对比

能力	传统数据库（SQL/NoSQL）	向量数据库
数据类型	结构化数据（行/文档）如MySQL存储Excel格式数据	高维非结构化特征向量
核心查询方式	精确匹配（SQL/条件）	相似度搜索（ANN）
适用场景	交易、统计分析	语义理解、内容推荐
数据关联逻辑	基于键值/关系	基于向量空间距离

5.4 数据库选型

开源与商业选择：数据库开发初期就需要确定使用开源还是商业产品，常见开源方案包括Milwaukee、Face和MySQL等结构化数据库结构化数据库特点：MySQL等传统数据库适合处理结构化数据，通过SQL语句进行精确查询

2）传统数据库检索

检索特性：传统数据库只能检索确定信息，例如通过工号精确查找员工信息应用场景：适用于已知关键字段的精确匹配场景，如故障代码查询

3）向量数据库特点

语义检索：与传统数据库不同，向量数据库检索语义上相似的内容而非精确匹配召回机制：可以返回多个相似结果作为背景补充，例如处理"设备出现裂痕"这类模糊问题时性能优势：相比SQL的LIKE模糊查询，向量数据库在十亿级数据量下仍能保持300ms左右的快速响应