Penjelasan tentang Pencarian Kemiripan
Pahami algoritme dan mekanisme di balik pencarian item yang mirip menggunakan metrik jarak vektor.
Penjelasan tentang Pencarian Kemiripan adalah pelajaran Vector Databases: Pinecone, Weaviate & pgvector gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Vector Databases: Pinecone, Weaviate & pgvector, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Vector Databases: Pinecone, Weaviate & pgvector mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
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.
Belajar Vector Databases: Pinecone, Weaviate & pgvector dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 12
- Pelajaran
- 48
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Penjelasan tentang Pencarian Kemiripan” gratis?
Ya — teks lengkap “Penjelasan tentang Pencarian Kemiripan” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Vector Databases: Pinecone, Weaviate & pgvector, upgrade ke CoddyKit PRO. Kursus Vector Databases: Pinecone, Weaviate & pgvector mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Penjelasan tentang Pencarian Kemiripan”?
Pahami algoritme dan mekanisme di balik pencarian item yang mirip menggunakan metrik jarak vektor. Kamu berlatih Vector Databases: Pinecone, Weaviate & pgvector dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Vector Databases: Pinecone, Weaviate & pgvector?
Tidak diperlukan pengalaman sebelumnya. Vector Databases: Pinecone, Weaviate & pgvector di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.
Berapa lama pelajaran “Penjelasan tentang Pencarian Kemiripan” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Vector Databases: Pinecone, Weaviate & pgvector ini?
Ya. Setiap pelajaran Vector Databases: Pinecone, Weaviate & pgvector menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Apa Itu Basis Data Vektor?
- Penyematan: Konsep Inti
- Penjelasan tentang Pencarian Kemiripan
- Metrik Jarak dan Dasar-Dasar Pengindeksan