编辑“向量数据库”

向量数据库（Vector Database）是一种高效的[[数据库]]系统，专门用来存储和查询向量的数据库，存储的向量来自于对文本、语音、图像、视频等的向量化，与传统数据库相比，向量数据库可以处理更多非结构化数据（比如图像和音频）。

向量数据库通过将各类对象映射为多维空间中的向量来进行高效存储和索引，仅支持大规模数据的存储，还提供高效的相似性搜索功能，即快速找到与查询向量最相似的若干个向量。

== 向量数据库工作原理 ==

向量数据库的核心工作原理包括三个步骤：数据存储、[[索引]]构建和相似性搜索。首先，向量数据被存储在数据库中，并按照一定的数据模型进行组织。其次，针对这些向量数据，数据库会构建索引结构以加快检索速度。常见的索引结构包括KD树、球树和LSH（局部敏感哈希）等。最后，在用户发起相似性查询时，数据库通过索引结构进行快速搜索，并返回最相似的数据结果。

== 向量数据库存储结构 ==

=== 向量嵌入技术 ===

向量数据库通过向量嵌入技术存储[[数据]]，将各种对象（如商品、文档或数据点）映射为多维空间中的向量。每个对象对应一个向量，该向量捕捉了对象的多样特征或属性。例如歌曲可以通过节奏、流派和使用乐器等嵌入被表示为向量。

嵌入能够将复杂对象转化为数值形式，从而有效捕捉对象的特征。相似对象在向量空间中彼此靠近，而不相似的对象则相隔较远。这种特性使得向量数据库可以根据查询嵌入与其他对象嵌入之间的距离迅速定位最相关的对象。

=== 多维空间索引 ===

为了提高检索效率，向量数据库通常会构建多维空间索引。常见的索引结构包括KD树、球树和局部敏感哈希（LSH）等。这些结构能够对高维数据进行高效索引和搜索。现代向量数据库还采用复杂的索引算法如分层导航小世界（HNSW）和近似最近邻搜索（ANN），以进一步优化检索速度和准确性。

=== 数据存储格式 ===

每个向量作为一行存储，适用于频繁的逐行读取和写入操作。这种方式便于对单个向量进行快速访问和修改。将每个分量作为一列存储，适用于需要对特定维度进行聚合或筛选的操作。列存储能够提高对特定属性的查询和计算效率。

通过对向量数据进行压缩，可以减少存储空间和[[I/O]]开销。稀疏向量的稀疏矩阵存储和密集向量的量化存储是常见的压缩技术。

=== 距离度量方法 ===

通过计算两个向量之间的夹角余弦值，来衡量它们的相似性。这种方法常用于度量文本或高维空间中向量的相似度。衡量两个向量在欧氏空间中的直线距离，适用于需要计算向量间绝对差的应用场景。通过计算向量各分量之差的绝对值之和来衡量相似性，适用于具有离散属性的高维数据。

=== 查询处理优化 ===

当用户输入查询时，系统会将其转换为向量嵌入，并生成数值形式的紧凑表示。这个嵌入数学化地捕捉了用户查询的核心含义。系统将查询嵌入与数据库中存储的所有嵌入进行比较，通过计算相似性识别出最相关的嵌入，并据此生成响应。这种高效的比较和输出机制使向量数据库能够提供快速且精准的推荐和搜索结果。

== 向量数据库特点 ==
* 高维索引：向量数据库使用高维索引技术以快速定位和访问大规模高维向量数据。高维索引采用多级索引结构，将向量空间划分为多个超平面，并建立索引表，从而实现高效检索。

* 相似性查询：向量数据库支持相似性查询，可以迅速找到与给定向量最接近的数据。通过计算向量之间的余弦相似度或欧氏距离等度量，系统评估相似性。

* 向量聚合：向量数据库支持向量聚合，将多个向量合并为一个新向量。聚合操作用于计算向量的组合或平均值，从而获得更全面的结果。

* 高效存储：向量数据库采用优化的存储方式，以高效存储和处理大规模向量数据，使用压缩技术和编码方案，减少存储空间需求，并提高查询效率。

* 扩展性：向量数据库具备卓越的扩展性，能够处理大规模数据集并支持高并发访问，采用分布式架构和并行计算技术，以实现高效的数据处理和查询。

== 相关条目 ==
* [[Milvus]]
* [[Pinecone]]