跳到主要内容

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
开始使用 Databend Cloud
低成本
快速分析
多种数据源
弹性扩展
注册