互动演示

通过 Vector Search 互动演示，体验先进的向量搜索技术的强大功能。此演示利用真实世界的数据集提供了一个真实示例，可帮助您了解 Vector Search 的工作原理、探索语义搜索和混合搜索，并了解重排序的实际应用。您只需提交对动物、植物、电子商务商品或其他内容的简短描述，剩余步骤由 Vector Search 来完成！


使用 Vector Search 互动实时演示版查询结果

试试看！

不妨试用演示中的不同选项，抢先体验 Vector Search 并了解向量搜索技术的基础知识。

如需运行，请执行以下操作：

  1. 在查询文本字段中，描述您要查询的商品（例如 vintage 1970s pinball machine）。或者，点击生成查询以自动生成说明。

  2. 点击提交。

如需详细了解您可以在演示中执行的操作，请参阅界面。


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 返回的结果及其排名方式。

数据集

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。如需详细了解每个数据集，请参阅数据集。

使用 Vector Search 互动实时演示版查询结果

查询

对于查询字段，请添加说明或一个或多个关键字，以指定您希望 Vector Search 查找哪些商品。或者，点击生成查询以自动生成说明。

创建或自动生成 Vector Search 查询

修改

您可以使用多种选项来修改矢量搜索返回的结果：

Vector Search 互动式实时演示的界面设置

  • 点击行，然后选择您希望 Vector Search 返回的搜索结果数量上限。

  • 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。并非所有可用的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。混合搜索融合了密集嵌入和稀疏嵌入的元素，可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。

  • 如需对搜索结果重新排名，请从重新排名下拉菜单中选择 ranking_api，或选择无以停用重新排名。

指标

查询运行后，系统会提供延迟时间指标，细分搜索不同阶段完成所用的时间。

Vector Search 互动实时演示的查询指标

查询流程

处理查询时，会发生以下情况：

  1. 查询嵌入生成：为指定的查询文本生成嵌入。

  2. Vector Search 查询：使用 Vector Search 索引运行查询。

  3. 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）。

  4. 重新排名：通过排名 API 对检索到的商品进行排序，该 API 使用搜索查询文本、商品名称和商品说明来计算相关性得分。

Embeddings

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：“具有视觉功能的 LLM”改变企业。

文本（语义相似度）：基于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：轻松实现 LLM 接地。

文本（问答）：对商品名称和说明进行文本语义搜索，并通过 QUESTION_ANSWERING 任务类型提高搜索质量。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 应用场景。

稀疏（混合搜索）：基于 TF-IDF 算法生成的商品名称和说明的关键字（基于词元）搜索。如需了解详情，请参阅混合搜索简介。

数据集

互动式演示包含多个可供您运行查询的数据集。不同数据集在嵌入模型、对稀疏嵌入的支持、嵌入维度和存储的项数方面各不相同。

数据集 嵌入式模型 稀疏嵌入模型 嵌入维度 项数
Mercari 多模态嵌入 + 稀疏嵌入 多模态嵌入 TF-IDF
（商品名称和说明）		 1408 约 300 万
Mercari Text（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 Flowers 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

后续步骤

现在，您已熟悉演示，可以深入了解如何使用 Vector Search 了。

  • 快速入门：使用示例数据集在 30 分钟内或更短的时间内创建并部署索引。

  • 准备工作：了解如何准备嵌入，并确定要将索引部署到的端点类型。