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