vector search
1.0.0
向量搜索引擎為開發人員提供了圍繞某些算法（IE KNN）構建的向量store能力，並提供了compute類似向量（例如餘弦距離）的發動機來確定哪些向量相關的矢量。
該存儲庫提供了包括教程，指南，最佳實踐和擴展學習的矢量搜索景觀的全面概述。請查看教育部分以了解更多信息。
您可以在應用程序搜索體系結構中使用矢量搜索引擎：
？？基礎- 了解基於向量的信息檢索的核心概念。
？用例- 了解使用矢量搜索在哪裡有意義。
？體系結構- 有關如何在體系結構中使用向量搜索的指南。
| ＃ | 標籤 | 描述 |
|---|---|---|
| 1 | 關鍵字與矢量搜索 | 標準（TF-IDF）文本搜索和向量搜索以及何時使用的差異。 |
| 2 | 稀疏矢量教程 | 構建自己的稀疏矢量提取引擎的演練。 |
| 3 | 密集矢量教程 | 構建自己密集的矢量提取引擎的演練。 |
| 4 | Atlas矢量搜索引擎 | 指南展示MongoDB Atlas的矢量搜索實現。 |
| 5 | 向量搜索比較 | 比較最受歡迎的矢量搜索引擎。 |
| ＃ | 標籤 | 描述 |
|---|---|---|
| 1 | 句子相似性 | 確定與文本的相似之處。 |
| 2 | 令牌分類 | 將文本分類為預定義的類別。 |
| 3 | 問和回答 | 自動回答問題的建築系統。 |
| 4 | 個性化 | 使用客戶端數據個性化查詢結果。 |
| 5 | 自動同義詞創建 | 自動富集同義詞收集。 |
| 6 | 摘要 | 將語料庫重建成更少的單詞。 |
| 7 | 會話 | 對話響應生成。 |
| 8 | 文件搜索 | 通過多種方式搜索文件的內容 |
一鍵單擊的模型部署，永遠不會離開您的AWS帳戶
| ＃ | 來源 | 描述 |
|---|---|---|
| 1 | 參考體系結構 | 在生產中部署矢量搜索體系結構的常見最佳實踐。 |
| 2 | 模型託管 | 有關如何託管矢量模型的建議。 |
| 3 | 模型版本 | 隨著模型的發展，可以對模型進行版本的最佳實踐。 |
| 4 | 反饋循環 | 查詢重新排名，學習級別等。 |
| 5 | 選擇型號 | 哪種模型最支持您的特定領域任務？ |
儘管一個充滿挑戰的話題要掌握，但您可以使用無數的教育資源。
總體教育領域。
將人類內容（文本，圖像等）轉換為向量表示的領域的最新突破。變形金剛是一種使用“自我注意事項”的深度學習模型，並且差異化了輸入數據的每個部分的意義。
為了確定認為是什麼相關的是什麼，計算機需要測量點之間的距離，在這種情況下為向量。
沒有幾個關鍵人物，這個存儲庫是不可能的：
這是一個活生生的存儲庫，隨著我學習和景觀的變化，它將發展。請通過以下方式訂閱更改：
