Embedding向量化原理与模型选型
假设你是个媒人，手里有1000个单身男女的资料，要给他们配对。
每个人的资料是一段文字描述：
小王：28岁程序员，喜欢打游戏看动漫，宅男一枚，偶尔爬山
小李：26岁设计师，热爱旅行摄影，周末喜欢逛展览
小张：27岁产品经理，喜欢打篮球健身，性格外向
现在有个新人小美："25岁，喜欢户外运动和摄影，希望找一个有共同爱好的人"
你怎么快速找出最适合小美的人选？
方法一：关键词匹配
搜索"户外运动"和"摄影"，找到包含这些词的人。
问题是：小王的资料里写的是"爬山"，不是"户外运动"；小李的资料里写的是"旅行摄影"，不是单独的"摄影"。关键词匹配可能漏掉他们。
方法二：理解语义
"爬山"和"户外运动"意思相近，"旅行摄影"也包含"摄影"的意思。如果能理解这层语义关系，就能找到真正匹配的人。
这就是Embedding要解决的问题——让机器理解文字的"意思"，而不只是匹配字面。
Embedding（向量化）是将文字转换为高维数值向量的过程。其核心价值在于：语义相近的文字，在向量空间中的距离也近。这使得机器能够通过数学运算来理解和比较文字的"意思"，而不仅仅是匹配字面字符。
什么是向量
在讲Embedding之前，先回顾一下高数里学过的向量。
向量就是一串数字
向量可以理解为一个带方向的箭头，用一组数字来表示：
- 一维向量：
[3]，数轴上的一个点 - 二维向量：
[3, 4]，平面上的一个点 - 三维向量：
[3, 4, 5]，空间中的一个点
三维以上就不好画图了，但数学上没问题——可以是384维、768维、1536维，这些就叫高维向量。
向量能表示什么
在RAG场景里，向量用来表示文字的语义特征。
每个维度代表一个"语义方向"，比如（这是打比方，实际不是这么简单）：
- 第1维：是否涉及"人物"
- 第2维：是否涉及"动作"
- 第3维：是否涉及"时间"
- 第4维：是否涉及"技术"
- ...
一段文字被转成向量后，每个维度上的数值就表示这段文字在这个"语义方向"上的权重。
向量之间的距离
这是关键点——语义相近的文字，向量在空间中的距离也近。
"打印机怎么用" → [0.23, -0.45, 0.67, ...]
"产品使用方法" → [0.25, -0.42, 0.65, ...] ← 很接近
"今天天气不错" → [-0.89, 0.12, 0.03, ...] ← 差很远
这就是为什么向量检索能做语义匹配——不是比字面，是比"意思"。
向量空间的可视化
在这种表示下，语义相近的内容会在向量空间中聚集（距离更近）。例如，"猫""狗"等词的向量在空间中会聚在一起，因为它们都是"动物"相关词；而与车辆相关的词则聚成另一簇。
下图展示了更多词汇在向量空间中的分布，可以看到同类概念自然聚集：
通过向量表示，模型可以量化语义相似度——两个内容的向量越接近，它们的含义就越相近。下图展示了"Animals"（动物类：Wolf、Dog、Cat）和"Fruits"（水果类：Banana、Apple）两个语义簇，当查询"Kitten"时，它会自动落在动物类聚簇附近：
付费内容提示
该文档的全部内容仅对「JavaUp项目实战&技术讲解」知识星球用户开放
加入星球后，你可以获得：
- 超级八股文：100万+字的全栈技术知识库，涵盖技术核心、数据库、中间件、分布式等深度剖析的讲解
- 讲解文档：超级AI智能体、黑马点评Plus、大麦、大麦pro、大麦AI、流量切换、数据中台的从0到1的详细文档
- 讲解视频：超级AI智能体、黑马点评Plus、大麦、大麦pro、大麦AI、流量切换、数据中台的核心业务详细讲解
- 1 对 1 解答：可以对我进行1对1的问题提问，而不仅仅只限于项目
- 针对性服务：有没理解的地方，文档或者视频还没有讲到可以提出，本人会补充
- 面试与简历指导：提供面试回答技巧，项目怎样写才能在简历中具有独特的亮点
- 中间件环境：对于项目中需要使用的中间件，可直接替换成我提供的云环境
- 面试后复盘：小伙伴去面试后，如果哪里被面试官问住了，可以再找我解答
- 远程的解决：如果在启动项目遇到问题，本人可以帮你远程解决
