向量搜索理解查询背后的语境和含义，从而为用户模糊的搜索提供更相关的结果。
译自 The Future of Search Is Vector，作者 Ben Greenberg。
近 90% 的用户 不会返回一个网站，如果他们有不好的体验。花点时间欣赏这个惊人的统计数据。网站可靠性工程师传统上专注于“五个 9”，确保网站在 99.999% 的时间内保持正常运行和可访问。然而，这只是保证积极用户体验的一部分。还有什么会导致用户点击离开网站并永远不再返回？
无法发现他们正在寻找的东西。
搜索某样东西却无法快速有效地找到它，这种沮丧可能是用户最令人失望的体验之一。你想要建立一个网站，在那里这种情况很少发生。然而，用户让它变得非常困难。通常，他们不知道自己到底在找什么。他们脑海中有一个想要的东西的画面，但缺乏精确的术语，他们的搜索最终提交了诸如“拧紧螺丝的东西”之类的关键词。对该搜索的人类响应者将返回一个螺丝刀索引。你的基于关键词的搜索会返回什么？
- 关于拧紧技术的文章。
- 关于不同类型螺丝的博客文章。
- 与螺丝刀无关的工具。
这个例子每天都在发生，每天无数次。
面对这种困境，需要一种新的资源来改善用户体验，即使在用户缺乏清晰度的情况下也能带来清晰度。向量搜索提供了传统关键词搜索无法实现的可能性。
向量搜索利用先进的机器学习模型将文本数据转换为高维向量，捕捉词语和短语之间的语义关系。与依赖精确匹配的传统基于关键词的搜索不同，向量搜索理解查询背后的上下文和含义，从而能够检索更相关的结果。通过将查询和文档映射到同一个向量空间，它可以衡量它们的相似性，即使用户的输入不精确或含糊，也能实现精确直观的搜索体验。这种方法显著提高了搜索结果的准确性和相关性，使其成为现代信息检索系统的强大工具。
换句话说，当用户在由向量搜索驱动的搜索功能中搜索“拧紧螺丝的东西”时，系统不会仅仅查找包含这些确切词语的文档。相反，它会解释查询背后的含义，并识别包含“螺丝刀”和相关术语的相关文档。
通过理解上下文和语义，向量搜索提供高度符合用户意图的结果，即使查询中没有确切的关键词。这种能力使向量搜索成为改善用户体验的宝贵工具，因为它能够针对不精确或描述性的查询提供精确准确的搜索结果。
将数据转换为向量涉及嵌入过程，其中文本数据被转换为高维空间中的数值表示。在这种情况下，向量是一个数学实体，通过将词语和短语表示为多维空间中的点来捕捉它们的语义含义。通过将词语嵌入到向量中，模型可以根据词语在大型数据集中的上下文和用法来衡量不同术语之间的相似性。这种转换允许更细致入微、更具上下文感知的搜索功能，为信息检索和人工智能的进步铺平了道路。
为了提供一个过于简单的例子，假设搜索功能所基于的数据集只是一个由“你的文本字符串在这里”组成的字符串。这个字符串将被 转换为向量 ，即字符串中词语的数值表示。嵌入将包括以下值：
- -0.006929283495992422
- -0.005336422007530928
- -4.547132266452536e-05
- -0.024047505110502243
这些向量代表词语的语义含义，并允许搜索功能根据上下文而不是仅仅精确的关键词匹配来理解和检索相关信息。
当用户使用这个简单的数据集搜索类似“这个字段应该使用什么数据类型？”这样的短语时，搜索引擎会将查询转换为向量表示。然后，它将此查询向量与数据集的向量进行比较。即使样本数据集中没有“这个字段应该使用什么数据类型？”的确切字词，向量搜索也能识别出查询的上下文和语义与“您的文本字符串在此处”相似。因此，搜索引擎可以根据向量的相似性返回最相关的结果。这有效地将不确定和不清楚的用户查询转换为更确定和更清晰的结果。
只有当结果能够快速、经济高效地存储和检索时，它们才是有用的。随着网站数据的不断增长，需要存储和检索的向量嵌入也会随之增长，因此任何解决方案都必须具有高度可扩展性。
无论是本地还是云端的通用数据库解决方案都不适合向量搜索需求。数据库必须专门化，以便能够高效地处理嵌入的高维特性，支持快速相似性搜索，并优化对大量向量的存储。这种专门化确保搜索系统保持高性能和响应能力，为用户提供实时的相关结果，即使数据规模不断扩大。
任何向量搜索数据库解决方案都应该提供高级索引功能，支持多种数据类型，并与流行的AI 框架和工具集成以生成嵌入。一个必不可少但经常被忽视的要求是能够在离线环境中提供高质量的搜索体验，即提供边缘计算。
将向量搜索集成到网站中是否能解决所有问题，消除用户的所有困扰？当然不是。它是否能在很大程度上为用户提供更出色、更无缝的体验？毫无疑问，答案是肯定的。给向量搜索一个机会，帮助确保您的用户第二次访问您的网站。
了解更多关于Couchbase 边缘向量搜索如何帮助组织快速构建能够为客户提供优质体验的应用程序。