Ähnlichkeitssuche erklärt
Verstehen Sie die Algorithmen und Mechanismen hinter dem Auffinden ähnlicher Elemente mithilfe von Vektordistanzmetriken.
Ähnlichkeitssuche erklärt ist eine kostenlose Vector Databases: Pinecone, Weaviate & pgvector-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Vector Databases: Pinecone, Weaviate & pgvector-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Vector Databases: Pinecone, Weaviate & pgvector-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Finding What's Alike
You know vectors and embeddings — now see how vector databases use them to find items that are alike. That process is similarity search.
Vectors: Your Data's Coordinates
An embedding is just coordinates in a space, like [0.1, 0.5, -0.2]. Similarity search compares them: close coordinates mean similar original items.
The Idea of 'Distance'
We measure closeness with distance metrics — formulas that return a number for how far apart two vectors are. Smaller distance, more similar.
Euclidean Distance: Straight Line
Euclidean distance is the most intuitive: the straight-line length between two points. It shines when a vector's magnitude matters for similarity.
Euclidean in Action
Here's how to compute Euclidean distance between two simple 2D vectors in code.
import math
def euclidean_distance(v1, v2):
# Calculates the square root of the sum of squared differences
return math.sqrt(sum((x - y)**2 for x, y in zip(v1, v2)))
# Example vectors
vec_a = [1, 2]
vec_b = [4, 6]
distance = euclidean_distance(vec_a, vec_b)
print(f"Vector A: {vec_a}")
print(f"Vector B: {vec_b}")
print(f"Euclidean Distance: {distance:.2f}")Cosine Similarity: Angle Matters
Cosine similarity measures the angle between vectors — whether they point the same way. Great for text, since it tracks theme over length and ignores magnitude.
Cosine in Action
A cosine similarity near 1 means the vectors are closely aligned, so more similar in direction. See it in action here.
import math
def dot_product(v1, v2):
return sum(x * y for x, y in zip(v1, v2))
def magnitude(v):
return math.sqrt(sum(x**2 for x in v))
def cosine_similarity(v1, v2):
dp = dot_product(v1, v2)
mag1 = magnitude(v1)
mag2 = magnitude(v2)
if mag1 == 0 or mag2 == 0:
return 0 # Handle zero vectors
return dp / (mag1 * mag2)
# Example vectors
vec_x = [1, 1] # Direction 45 degrees
vec_y = [2, 2] # Same direction, larger magnitude
vec_z = [-1, 1] # Different direction
sim_xy = cosine_similarity(vec_x, vec_y)
sim_xz = cosine_similarity(vec_x, vec_z)
print(f"Cosine Similarity (X, Y): {sim_xy:.2f}")
print(f"Cosine Similarity (X, Z): {sim_xz:.2f}")Beyond Euclidean & Cosine
Beyond Euclidean and cosine, other metrics exist: Manhattan distance sums absolute differences, dot product measures projection. Pick what 'similar' means for your data.
How Vector DBs Search
Vector DBs don't compute distances one by one — too slow for millions. They use indexing structures, like a library catalog for vectors, to narrow the search fast.
Approximate Nearest Neighbor (ANN)
Most vector DBs use Approximate Nearest Neighbor (ANN) search: instead of the exact closest vector, they return ones very close — trading a little accuracy for huge speed.
Quick Check: Which Metric?
You're building a system to find articles with similar themes, even if one article is much longer than another. Which similarity metric would generally be most appropriate?
Recap: Your Similarity Search Toolkit
Recap: similarity search compares vectors via distance metrics — Euclidean (magnitude-sensitive) and cosine (angle, robust to length) — sped up by indexes and ANN.
Häufig gestellte Fragen
Ist die Lektion „Ähnlichkeitssuche erklärt“ kostenlos?
Ja — der vollständige Text von „Ähnlichkeitssuche erklärt“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Vector Databases: Pinecone, Weaviate & pgvector-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Vector Databases: Pinecone, Weaviate & pgvector-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Ähnlichkeitssuche erklärt“?
Verstehen Sie die Algorithmen und Mechanismen hinter dem Auffinden ähnlicher Elemente mithilfe von Vektordistanzmetriken. Du übst Vector Databases: Pinecone, Weaviate & pgvector mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Vector Databases: Pinecone, Weaviate & pgvector zu starten?
Keine Vorkenntnisse erforderlich. Vector Databases: Pinecone, Weaviate & pgvector auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Ähnlichkeitssuche erklärt“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Vector Databases: Pinecone, Weaviate & pgvector-Lektion Code schreiben und ausführen?
Ja. Jede Vector Databases: Pinecone, Weaviate & pgvector-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Was sind Vektordatenbanken?
- Embeddings: Das grundlegende Konzept
- Ähnlichkeitssuche erklärt
- Distanzmetriken und Grundlagen der Indexierung