网站建设背景图界面设计网站推荐
一、向量相似性搜索（Similarity Search）概念
Oracle的向量相似性搜索（Similarity Search）是其AI Vector Search功能的核心组成部分，旨在通过高效处理高维向量数据，支持多种人工智能驱动的应用场景。
Similarity Search（相似性搜索） 是在高维向量空间中查找与查询向量最相似的向量的过程。Oracle 23ai 通过原生向量支持实现了两种搜索模式：
纯向量相似性搜索：
- 仅基于向量距离（如余弦相似度）排序结果
- 适用场景：推荐系统、语义搜索
混合搜索（Hybrid Search）：
- 结合向量相似度与关系型条件（如价格、日期）
- 适用场景：电商产品推荐、跨模态搜索
二、描述示意图
现在，在数据集中搜索语义相似性等同于搜索最近的 neighbors 而不是使用 query SQL谓词。如下图所示，此向量空间中 dog 和 wolf 之间的距离短于 在dog和cat之间。在这个空间里，狗更像wolf 比对一只cat来说还要好。
矢量数据往往分布不均匀，并聚集在以下组中语义相关。根据给定的查询向量执行相似性搜索是 等效于检索向量中查询向量的 K 最近向量 空间。基本上，需要通过对 vector 进行排名来找到向量的有序列表，其中 列表中的第一行是与查询向量最接近或最相似的向量， 列表中的第二行是距离查询向量第二近的向量，因此 上。在进行相似性搜索时，距离的相对顺序才是真正的 重要，而不是实际距离。
使用前面的向量空间，下面是语义搜索的图示，其中 您的查询向量是与单词 Puppy 对应的向量，并且确定 4 个最接近的单词：
相似性搜索倾向于从一个或多个集群中获取数据，具体取决于查询向量的值和获取大小。
使用向量索引的近似搜索可以将搜索限制为特定的 集群，而精确搜索访问所有集群中的向量。
三、建表并实际查询操作
步骤1：创建表并插入数据
-- 创建包含向量列的表
CREATE TABLE products_demo202500607 (2 id NUMBER PRIMARY KEY,3 name VARCHAR2(100),4 description VARCHAR2(500),5 embedding VECTOR(3, FLOAT32) -- 假设使用3维的向量6 );表已创建。
-- 插入示例数据
INSERT INTO products_demo202500607 VALUES (1, '无线耳机', '高品质无线蓝牙耳机', VECTOR('[0.1, 0.2, 0.8]'));
INSERT INTO products_demo202500607 VALUES (2, '智能手表', '带健康监测的智能手表', VECTOR('[0.3, 0.5,0.7]'));已创建 1 行。SYS@FREE>
已创建 1 行。INSERT INTO products_demo202500607 VALUES (3, '平板电脑', '轻薄高性能平板', VECTOR('[0.2, 0.4, 0.9]'));已创建 1 行。SYS@FREE> COMMIT;提交完成。SYS@FREE>步骤2：创建向量索引（加速搜索）
-- 创建HNSW索引
CREATE VECTOR INDEX prod_embedding_idx_202506072 ON products_demo202500607 (embedding)3 ORGANIZATION INMEMORY NEIGHBOR GRAPH4 DISTANCE COSINE5 PARAMETERS (TYPE HNSW, NEIGHBORS 64, EFCONSTRUCTION 200);索引已创建。步骤3：纯相似性搜索
-- 使用VECTOR_DISTANCE函数计算距离，并按距离排序
SELECT id, name, description,VECTOR_DISTANCE(embedding, VECTOR('[0.15, 0.25,0.75]'), COSINE) AS similarity
FROM products_demo202500607
ORDER BY similarity
FETCH FIRST 2 ROWS ONLY;ID NAME DESCRIPTION
---------- -------------------------------------------------- --------------------------------------------------
SIMILARITY
----------
########## 平板电脑 轻薄高性能平板4.56E-003########## 无线耳机 高品质无线蓝牙耳机
5.105E-003SYS@FREE>步骤4：混合搜索
混合搜索结合向量相似性和关系条件（如文本匹配、价格范围等）。
-- 示例：查找描述中包含“健康”并且与给定查询向量相似的电子产品
SYS@FREE> col similarity for a50
SELECT id, name, description,VECTOR_DISTANCE(embedding, VECTOR('[0.15, 0.25,0.75]'), COSINE) AS similarity
FROM products_demo202500607
WHERE description LIKE '%健康%' -- 传统关系条件
ORDER BY similarity
FETCH FIRST 3 ROWS ONLY;ID NAME DESCRIPTION
---------- -------------------------------------------------- --------------------------------------------------
SIMILARITY
----------
########## 智能手表 带健康监测的智能手表
5.196E-002步骤5：使用ANNOY索引的混合搜索（如果使用IVF索引）
注意：Oracle 23ai支持多种索引类型，此次以HNSW为例，但混合搜索同样适用于其他索引。
-- 创建IVF索引（如果需要）
CREATE VECTOR INDEX prod_ivf_idx
ON products_demo202500607 (embedding)
ORGANIZATION NEIGHBOR PARTITIONS
DISTANCE COSINE
PARAMETERS (TYPE IVF, NEIGHBOR PARTITIONS 100);-- 混合搜索（使用IVF索引加速）
-- 注意：在查询时，优化器会自动选择索引
SELECT id, name, description, VECTOR_DISTANCE(embedding, VECTOR('[0.1, 0.2, 0.3]'), COSINE) AS similarity
FROM products_demo202500607
WHERE description LIKE '%健康%'
ORDER BY similarity
FETCH FIRST 3 ROWS ONLY;ID NAME DESCRIPTION
---------- -------------------------------------------------- --------------------------------------------------
SIMILARITY
----------
########## 智能手表 带健康监测的智能手表
2.585E-003SYS@FREE>四、根据特点选择
- 相似性搜索：通过向量距离函数（如VECTOR_DISTANCE）和排序实现。
- 混合搜索：在相似性搜索的基础上，加入关系型条件（WHERE子句），实现更复杂的查询。
- 索引加速：为向量列创建索引（如HNSW或IVF）可以显著提高搜索性能。