向量距离函数
本节提供了 Databend 中向量距离函数 (Vector Distance Functions) 的参考信息。这些函数对于在机器学习应用、向量搜索和 AI 驱动的分析中衡量向量之间的相似性至关重要。
可用的向量距离函数
函数 | 描述 | 示例 |
---|---|---|
COSINE_DISTANCE | 计算向量之间的角距离 (Angular Distance)(范围:0-1) | COSINE_DISTANCE([1,2,3], [4,5,6]) |
L1_DISTANCE | 计算向量之间的曼哈顿(L1)距离 | L1_DISTANCE([1,2,3], [4,5,6]) |
L2_DISTANCE | 计算欧几里得(直线)距离 (Euclidean Distance) | L2_DISTANCE([1,2,3], [4,5,6]) |
函数对比
函数 | 描述 | 范围 | 最适用于 | 使用场景 |
---|---|---|---|---|
COSINE_DISTANCE | 向量之间的角距离 | [0, 1] | 当方向比大小更重要时 | • 文档相似度 • 语义搜索 • 推荐系统 • 文本分析 |
L1_DISTANCE | 计算向量之间的曼哈顿(L1)距离 | [0, ∞) | 当方向比大小更重要时 | • 文档相似度 • 语义搜索 • 推荐系统 • 文本分析 |
L2_DISTANCE | 欧几里得(直线)距离 | [0, ∞) | 当大小很重要时 | • 图像相似度 • 地理数据 • 异常检测 • 基于特征的聚类 |