本頁面由 Cloud Translation API 翻譯而成。

互動式示範

透過 Vector Search 互動式試用版，體驗最先進的向量搜尋技術。這個示範運用實際資料集，提供實際範例，協助您瞭解向量搜尋的運作方式、探索語意和混合搜尋，並瞭解重新排序的運作方式。提交動物、植物、電子商務商品或其他項目的簡短說明，讓 Vector Search 完成其餘工作！

試試看！

請嘗試試用示範中的不同選項，搶先使用 Vector Search，並瞭解向量搜尋技術的基本概念。

執行方式如下：

在「查詢」文字欄位中，說明您要查詢的項目 (例如 vintage 1970s pinball machine)。您也可以按一下「產生查詢」，讓系統自動產生說明。
按一下「提交」。

如要進一步瞭解您可以在示範中執行哪些操作，請參閱「使用者介面」。

本節說明 UI 中的設定，可用於控制 Vector Search 傳回的結果，以及這些結果的排名方式。

使用「資料集」下拉式選單，選擇 Vector Search 要針對哪個資料集執行查詢。如要瞭解各個資料集的詳細資訊，請參閱「資料集」。

在「查詢」欄位中，新增說明或一或多個關鍵字，指定 Vector Search 要尋找的項目。或者，您也可以按一下「Generate Query」，讓系統自動產生說明。

您可以使用以下幾種選項修改向量搜尋傳回的結果：

按一下「列」，然後選擇 Vector Search 要傳回的搜尋結果數上限。
如要讓 Vector Search 傳回意義相似的結果，請選取「Use dense embeddings」。
如果您希望 Vector Search 根據查詢的文字語法傳回結果，請選取「Use sparse embeddings」。並非所有可用資料集都支援稀疏嵌入模型。
如果您希望 Vector Search 使用混合搜尋，請同時選取「Use dense embeddings」和「Use sparse embeddings」。並非所有資料集都支援這個模型。混合搜尋會結合稠密和稀疏嵌入的元素，以提升搜尋結果的品質。詳情請參閱「混合式搜尋簡介」。
在「RRF Alpha」欄位中輸入介於 0.0 和 1.0 的值，指定 RRF 排名效果。
如要重新排序搜尋結果，請從「Reranking」下拉式選單中選取「ranking_api」，或選取「None」來停用重新排序功能。

查詢執行完畢後，系統會提供延遲指標，列出各個搜尋階段完成所需的時間。

處理查詢時，系統會執行以下操作：

查詢嵌入產生：針對指定的查詢文字產生嵌入。
向量搜尋查詢：使用向量搜尋索引執行查詢。
Vertex AI 特徵儲存庫擷取：使用 Vector Search 傳回的商品 ID 清單，從 Vertex AI 特徵儲存庫讀取特徵 (例如商品名稱、說明或圖片網址)。
重新排序：系統會透過排名 API 排序擷取的項目，該 API 會使用查詢文字、項目名稱和項目說明來計算關聯度分數。

多模態：針對商品圖片進行多模態語意搜尋。詳情請參閱「什麼是多模搜尋：『有視覺功能的 LLM』變更商家」。

文字 (語意相似)：根據語意相似度，對商品名稱和說明進行文字語意搜尋。如需更多資訊，請參閱「Vertex AI Embeddings for Text：輕鬆為 LLM 建立基準」。

文字 (回答問題)：針對商品名稱和說明進行文字語意搜尋，並透過任務類型 QUESTION_ANSWERING 改善搜尋品質。這類應用程式適合採用這項功能。如要瞭解工作類型嵌入資料，請參閱「透過 Vertex AI 嵌入資料和工作類型強化生成式 AI 用途」。

稀疏 (混合搜尋)：使用 TF-IDF 演算法產生的項目名稱和說明關鍵字 (符記) 搜尋。詳情請參閱混合式搜尋簡介。

互動式示範包含可執行查詢的多個資料集。資料集的差異在於嵌入模型、是否支援稀疏嵌入、嵌入維度和儲存項目數量。

資料集	嵌入模型	稀疏嵌入模型	嵌入維度	項目數量
Mercari Multimodal + 稀疏嵌入	多模態嵌入	TF-IDF (商品名稱和說明)	1408	約 300 萬
Mercari Text (語意相似度) + 稀疏嵌入	`text-embedding-005`) (工作類型：SEMANTIC_SIMILARITY)	TF-IDF (商品名稱和說明)	768	約 300 萬
Mercari Text (問答) + 稀疏型嵌入	`text-embedding-005`) (工作類型：回答問題)	TF-IDF (商品名稱和說明)	768	約 300 萬
GBIF 花卉多模態 + 稀疏嵌入	多模態嵌入	TF-IDF (商品名稱和說明)	1408	約 330 萬
GBIF 動物多模態嵌入	多模態嵌入	不適用	1408	約 700 萬

您已熟悉示範內容，現在可以進一步瞭解如何使用 Vector Search。