基于milvus向量數(shù)據(jù)庫的相似度檢索問題——稀疏-密集向量檢索和混合搜索 原創(chuàng)
“ 不同的向量類型可能會得到不同的檢索結(jié)果，因此需要根據(jù)不同的場景選擇合適的檢索策略 ”
相似度檢索是目前人工智能領(lǐng)域一個非常重要的應(yīng)用場景，其不僅僅應(yīng)用于人工智能技術(shù)，同樣應(yīng)用于搜索技術(shù)；比如搜索引擎，電商搜索等多種技術(shù)領(lǐng)域。
因此，向量數(shù)據(jù)庫也成為現(xiàn)在技術(shù)領(lǐng)域不可缺少的一個中間件；雖然說向量檢索主要就是進(jìn)行向量計算，不管是余弦，還是歐式距離等算法，目的都是通過計算向量之間的位置關(guān)系來確定相似度。
但這里就產(chǎn)生了一個問題，使用稠密向量和稀疏向量檢索會得到不一樣的結(jié)果；而使用混合搜索技術(shù)又會產(chǎn)生另一種結(jié)果。
因此，這里就涉及到向量數(shù)據(jù)庫在不同的應(yīng)用場景下的檢索策略的選擇；什么情況下應(yīng)該選擇稠密向量，什么情況下應(yīng)該選擇稀疏向量，而什么情況下又應(yīng)該選擇混合搜索。
相似度檢索的策略問題
milvus向量數(shù)據(jù)庫支持多種類型的度量方式，常見的有余弦和歐式距離；使用不同的度量算法其結(jié)果也不盡相同，而且有的算法是值越大越好，而有的算法卻是值越小越好。
而我們今天討論的不是值大小問題，而是不同向量類型之間的檢索策略問題。
在Milvus中有兩種經(jīng)典的向量類型，稠密向量和稀疏向量；不同類型的向量可以表示不同的信息，使用不同的嵌入模型可以更全面地表示數(shù)據(jù)的不同特征和方面。
而稠密向量和稀疏向量的主要區(qū)別是，表示語義的密集向量和表示句子中詞頻的稀疏向量。
因此，稠密向量類型和稀疏向量類型，使用的是兩種完全不同的搜索方式；稠密向量一般使用機器學(xué)習(xí)模型，也就是Embedding模型生成語義相關(guān)的向量數(shù)據(jù)；而稀疏向量一般使用的是詞袋模型或BM25算法。
在milvus向量檢索中，返回值中會有一個距離值(distance)，在某些情況下使用稠密向量，稀疏向量或者混合搜索的方式可能搜索到的結(jié)構(gòu)都是一樣的。
但其距離值distance的值卻是不一樣的，在某些情況下可能混合搜索策略的距離值更大，而某些情況下普通檢索的距離值更大；當(dāng)然，前提是使用了同樣的計算策略，比如說余弦函數(shù)。
那么什么情況下應(yīng)該選擇稠密向量類型，什么情況下應(yīng)該選擇稀疏向量類型？
由于稠密向量主要進(jìn)行的是語義檢索，而稀疏向量主要進(jìn)行的關(guān)鍵詞匹配；所以，在選擇上我們需要從多個方面進(jìn)行考慮。
核心對比：稠密向量 vs 稀疏向量
維度 | 稠密向量 | 稀疏向量 |
生成方式 | 深度學(xué)習(xí)模型（如 BERT、ResNet） | 詞頻統(tǒng)計方法（如 TF-IDF、BM25） |
維度 | 低維（如 384、768 維） | 高維（如 10萬+ 維，大部分為0） |
語義理解 | ?????（捕捉上下文語義） | ?（僅關(guān)鍵詞匹配） |
關(guān)鍵詞敏感度 | ??（可能忽略術(shù)語細(xì)節(jié)） | ?????（精確匹配關(guān)鍵詞） |
計算開銷 | 高（需模型推理） | 低（直接統(tǒng)計計算） |
適用場景 | 語義搜索、跨模態(tài)檢索、長文本理解 | 短文本搜索、精確術(shù)語匹配、日志分析 |
Milvus 索引支持 | IVF_FLAT, HNSW, DISKANN 等 | SPARSE_INVERTED_INDEX |
當(dāng)然，稠密向量搜索和稀疏向量搜索并不是非此即彼的關(guān)系，在某些場景下可以使用混合搜索的方式，也就是同時使用稠密向量和稀疏向量進(jìn)行搜索。
總結(jié)建議
場景 | 推薦方案 | 案例 |
長文本、語義理解 | 純稠密向量 | 法律文檔語義檢索 |
短文本、精確關(guān)鍵詞匹配 | 純稀疏向量 | 商品型號搜索 |
復(fù)雜需求、混合意圖 | 混合搜索 | 電商搜索（“性價比 5G 手機”） |
資源有限、延遲敏感 | 稀疏向量 | 日志實時分析 |
本文轉(zhuǎn)載自公眾號AI探索時代 作者：DFires
