Redis 向量相似性搜索的全新体验

简而言之，它是衡量两个或多个向量之间差异（或相似度）的指标。将向量想象成数字列表。

向量搜索的核心是允许开发人员根据音频、自然语言、图像、视频剪辑、语音录制以及更多类型的数据检索信息。对非结构化数据的搜索使得 VSS 成为构建高级相似性搜索体验的基础技术。

随着人工智能的进步，数据科学家可以构建模型，将几乎任何数据“实体”转换为其向量表示。这里的实体可以是交易、用户资料、图像、声音、长文本（句子或段落）、时间序列或图表。所有这些都可以转换为其“特征向量”，也称为“嵌入”。

向量嵌入是数据的数值表示。它们以计算机和数据库可以轻松比较的方式捕获实体的最重要特征。有趣的是，如果模型为两个实体生成两个相似的嵌入（向量），您可以推断出两个原始实体在某种基本意义上是相似的。

完全不需要！有许多免费提供的 人工智能 模型和库允许开发人员从文本、图像或时间序列数据生成嵌入。例如，您可以使用 HuggingFace Sentence Transformers 为句子生成嵌入，使用 Img2Vec 为图像生成嵌入，以及使用 Facebook Kats 为时间序列数据生成嵌入。人工智能/机器学习从业人员熟悉为其数据实体生成“密集”特征表示（也称为嵌入）的概念。他们现在可以将这些特征向量存储在 Redis 中，并在其上执行相似性搜索。

您与之交互的许多日常应用程序都依赖于向量相似性搜索。

从电子商务网站上的视觉搜索到自动聊天机器人/问答系统和多种推荐系统。更一般地说，您会发现 VSS 在任何实时发现相似性至关重要以解锁价值的应用程序中都很有用。以下列出了一些常见的用例

– 电子商务推荐：使用视觉相似性和/或语义相似性为高级搜索体验和产品推荐提供支持

– 语义相似性：构建复杂的搜索体验、聊天机器人，甚至问答系统

– 时间序列数据的相似性：根据历史模式的相似性发现疾病传播模式或交易机会

– 图表数据的相似性：揭示不同（可能不相关）的参与者或网络集合中连接的相似模式。

– 交易的相似性：根据先前发现的欺诈/威胁尝试的相似性检测潜在的欺诈或威胁

– 用户资料或产品的相似性：生成个性化推荐；根据嵌入数据揭示的模式改进您的客户细分

RediSearch 是一个 Redis 模块，它为存储为 Redis 哈希或 JSON 格式的 Redis 数据提供查询功能、二级索引和全文搜索。从 Redis 2.4 开始，Redis 引入了对向量相似性搜索的支持。

使用 RediSearch 2.4，Redis 开发人员可以
– 索引和查询存储为 Redis 哈希中的 BLOB 的向量数据

– 使用两种流行的索引方法：FLAT 和 HNSW

– 使用三种常见的向量距离度量：余弦、内积和欧几里得距离

– 执行混合查询，将向量相似性与传统 RediSearch 过滤功能（针对 GEO、NUMERIC、TAG 或 TEXT 数据）结合起来。电子商务环境中混合查询的常见示例是“查找在 GEO 位置和价格范围内可用的项目，这些项目在视觉上类似于给定查询图像”。

如果您精通 Python，请尝试以下操作
– 公共 Amazon 数据集上的视觉和语义相似性

– 金融新闻文章中的情绪分析和语义相似性

对于 Java，您可以尝试这个 基本演示，它展示了如何创建索引、加载数据和查询。

尝试观看以下两个 RedisDays 2022 会议的回放
– 主题演讲：将实时人工智能融入您的“金融服务”应用程序

– 幕后揭秘：使用人工智能揭示隐藏在公司文件中交易信号

这些会议现在可以 点播观看。您始终可以在 RediSearch 文档中查看 “使用向量”。 

有三种简单的方法来创建具有 RediSearch 2.4 的 Redis 数据库。

从您的终端，您可以使用以下任一方法获取它
1) Docker – “docker run -p 6379:6379 redislabs/redisearch:2.4.5”

2) Redis Stack – “brew install redis-stack”（来自 Mac OS）。对于其他操作系统，请尝试 “Redis Stack 入门”

3) 最后，您也可以使用 Redis 企业云 创建免费订阅

如果您选择 Redis 企业云订阅，请确保使用“Redis Stack”选项，因为它包含 RediSearch 2.4。