whenever5225/what-is-vs

What is Vector Search

Made by DALL·E

本项目旨在创建一个全面、易于理解的向量检索教程，它将覆盖从基础理论到核心技术的各个方面。教程将通过详细的解释、实例和实践案例，帮助初学者、研究人员以及应用人员深入理解并有效地使用向量检索技术。

下图是机器之心联合 Datawhale 和向量检索实验室一起出品的向量数据库知识图谱，让大家初步了解一下向量检索领域。

项目受众

• 初学者，希望从基础了解向量检索。
• 相关领域的研究人员，需要了解最新技术和应用。
• 应用人员，需要实际开发应用向量检索技术。

目录

• 第一部分：引言
  • 引言
    • 什么是向量检索
    • 向量检索的基本概念
    • 向量检索为什么重要
    • 向量检索的应用场景
    • 关键词检索与向量检索的原理对比
    • 本教程适合的人群
• 第二部分：核心技术
  • 2.1 向量化技术
    • Embedding 的定义
    • 为什么需要 Embedding
    • NLP 中经典的 Embedding 算法
    • 大模型时代下的 Embedding 算法
  • 向量索引
    • 2.2 向量索引
      • 向量索引
      • 向量索引的评估指标
    • 2.2.1 基于量化的向量索引方法
    • 2.2.2 基于哈希的向量索引方法
    • 2.2.3 基于树的向量索引方法
    • 2.2.4 基于图的向量索引方法
    • 2.2.5 基于混合的向量索引方法
  • 向量查询
    • 向量查询方法概述
    • k近邻查询
    • 范围查询
    • 混合查询
    • 多向量查询
    • 其它查询
    • 查询优化
  • [向量查询优化策略]
    • 算法层面
    • 硬件层面
      • CPU 多核架构
      • GPU 架构
      • FPGA 架构
      • 近数据处理架构
• 第三部分：系统实现与应用
  • 向量数据库系统概述
    • 向量数据库的基本构成与工作原理
    • 市面主流向量数据库系统比较
  • 什么是RAG
  • 基于RAG的知识问答系统实战
    • 基于Langchain的RAG基础实现
    • 基于Ragas的RAG评价体系
• 第四部分：未来展望和挑战
• 结语

参与贡献

• 如果你想参与到项目中来欢迎查看项目的 Issue 查看没有被分配的任务。
• 如果你发现了一些问题，欢迎在 Issue 中进行反馈🐛。

如果你对 Datawhale 很感兴趣并想要发起一个新的项目，欢迎查看 Datawhale 贡献指南。

贡献者名单

姓名	职责	简介
苏鹏	项目负责人	Datawhale成员
李剑楠	项目主要贡献者	华东师范大学硕士
向隆	项目主要贡献者	南方科技大学博士
王泽宇	项目主要贡献者	复旦大学博士
王梦召	项目主要贡献者	浙江大学博士
田冰	项目主要贡献者	华中科技大学博士
韩颐堃	项目主要贡献者

分工请见：立项申请（what-is-vs #184）

关注我们

扫描下方二维码关注公众号：Datawhale

LICENSE

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。