此页面由 Cloud Translation API 翻译。

互动演示

通过 Vector Search 互动式演示，体验先进的向量搜索技术的强大功能。该演示利用真实数据集提供了一个现实示例，可帮助您了解矢量搜索的运作方式、探索语义搜索和混合搜索，以及查看重新排名的运作方式。提交动物、植物、电子商务商品或其他物品的简短说明，然后交由向量搜索来完成剩余的工作！

试试看！

在演示版中试用不同的选项，抢先了解 Vector Search 并掌握向量搜索技术的基础知识。

如需运行，请执行以下操作：

如需详细了解您可以在演示版中执行的操作，请参阅界面。

本部分介绍了界面中的设置，您可以使用这些设置来控制 Vector Search 返回的结果以及结果的排名方式。

使用数据集下拉菜单选择 Vector Search 将针对哪个数据集运行查询。如需详细了解每种数据集，请参阅数据集。

在查询字段中，添加说明或一个或多个关键字，以指定您希望矢量搜索功能查找的内容。或者，点击生成查询以自动生成说明。

您可以通过以下几种方式修改矢量搜索返回的结果：

点击行，然后选择您希望矢量搜索返回的搜索结果的数量上限。
如果您希望 Vector Search 返回语义上相似的结果，请选择使用密集嵌入。
如果您希望 Vector Search 根据查询的文本语法返回结果，请选择使用稀疏嵌入。并非所有可用数据集都支持稀疏嵌入模型。
如果您希望 Vector Search 使用混合搜索，请同时选择使用密集嵌入和使用稀疏嵌入。并非所有数据集都支持此模型。混合搜索会结合使用密集嵌入和稀疏嵌入的元素，从而提高搜索结果的质量。如需了解详情，请参阅混合搜索简介。
在 RRF Alpha 字段中，输入介于 0.0 和 1.0 之间的值，以指定 RRF 排名效果。
如需重新排名搜索结果，请从重新排名下拉菜单中选择 ranking_api，或选择 None 以停用重新排名。

查询运行后，系统会提供延迟时间指标，其中会按不同搜索阶段对完成所需时间进行细分。

处理查询时，会发生以下情况：

查询嵌入生成：为指定的查询文本生成嵌入。
Vector Search 查询：使用 Vector Search 索引运行查询。
Vertex AI Feature Store 提取：使用向量搜索返回的商品 ID 列表从 Vertex AI Feature Store 读取特征（例如商品名称、说明或图片网址）。
重新排名：系统会通过排名 API 对检索到的项进行排序，该 API 会使用查询文本、项名称和项说明来计算相关性得分。

多模态：对商品图片进行多模态语义搜索。有关详情，请参阅什么是多模式搜索：“有远见的法学硕士”改变业务。

文本（语义相似度）：根据语义相似度对商品名称和说明进行文本语义搜索。如需了解详情，请参阅 Vertex AI Embeddings for Text：轻松使用 LLM。

文本（问答）：对商品名称和说明进行文本语义搜索，并根据任务类型 QUESTION_ANSWERING 改进搜索质量。这适用于问答类型的应用。如需了解任务类型嵌入，请参阅使用 Vertex AI 嵌入和任务类型增强您的生成式 AI 用例。

稀疏（混合搜索）：对商品名和说明进行基于关键字（基于令牌）的搜索，使用 TF-IDF 算法生成。如需了解详情，请参阅混合搜索简介。

互动式演示包含多个可用于运行查询的数据集。数据集因嵌入模型、对稀疏嵌入的支持、嵌入维度和存储项数量而异。

数据集	嵌入式模型	稀疏嵌入模型	嵌入维度	项数
Mercari 多模态 + 稀疏嵌入	多模态嵌入	TF-IDF （商品名称和说明）	1408	约 300 万
Mercari 文本（语义相似度）+ 稀疏嵌入	`text-embedding-005`) （任务类型：SEMANTIC_SIMILARITY）	TF-IDF （商品名称和说明）	768	约 300 万
Mercari Text（问答）+ 稀疏嵌入	`text-embedding-005`) （任务类型：QUESTION_ANSWERING）	TF-IDF （商品名称和说明）	768	约 300 万
GBIF 花卉多模态 + 稀疏嵌入	多模态嵌入	TF-IDF （商品名称和说明）	1408	约 330 万
GBIF 动物多模态嵌入	多模态嵌入	不适用	1408	约 700 万

现在，您已经熟悉了演示，可以更深入地了解如何使用 Vector Search 了。