我正在参加「豆包MarsCode AI练中学体验活动」详情请看：掘金小册上线 AI练中学功能 | 你的 AI 编程助教喊你免费领小册啦！
“易速鲜花”内部员工知识库问答系统原理学习笔记
序
“易速鲜花”内部员工知识库问答系统是一个信息检索工具，它是一个智能的助手，能够理解员工的自然语言查询，并提供精确的答案。
昨天学习了他的搭建，初步了解了一下代码流程。今天紧接着对他的【原理】进行学习
原理学习
昨天的文章提到，训练这样一个系统无非就两步
- 把文档上传数据库
- AI能够从数据库中匹配最恰当的回答
但这两步之外，我们还需要解决一些其他问题——
Q1:文档数据怎么存？---词嵌入与向量数据库的原理
向量数据库是这个系统的核心。
在传统的数据库中，我们存储的是结构化的数据，而向量数据库则专门用来存储高维向量数据。
这些向量是从非结构化的文本数据中提取出来的，通过词嵌入技术将文本转换为机器可以理解的数值
援引小册的一段话，我觉得写的很好——
词嵌入（Word Embedding）是自然语言处理和机器学习中的一个概念，它将文字或词语转换为一系列数字，通常是一个向量。简单地说，词嵌入就是一个为每个词分配的数字列表。这些数字不是随机的，而是捕获了这个词的含义和它在文本中的上下文。因此，语义上相似或相关的词在这个数字空间中会比较接近。
举个例子——
我们这里将man、woman、king、queen四个词语，映射到一个7维的空间中，每个词语都对应了一个7维的向量。很神奇吧，竟然能把一连串“语言”转换成“数字，这就是词嵌入。
更重要的是，通过向量运算你可以得到向量("king")−向量("man")≈向量("queen")-向量("woman")。我们就可以知三求一。那么很多复杂的信息都可以用一些基础的词汇向量进行运算表达。
Q2:怎么才能匹配最恰当的答案？---余弦相似度
余弦相似度是衡量两个向量在方向上的相似程度的指标。
在问答系统中，它被用来比较用户的问题向量和知识库中的文档向量。余弦相似度的值越接近1，表示两个向量的方向越相似，也就是说，文档内容与用户的问题越相关。
我们只需要将查询问题 与文档某一条信息作余弦相似度，最相似的，即是我们要回答的答案。
其具体公式为
感悟
通过这次学习，我初步理解了“易速鲜花”内部员工知识库问答系统的工作原理。从向量数据库的高效存储，到分词技术的精确切割，再到余弦相似度的智能比较，每一个环节都是AI技术进步的体现。
这些技术显著提高了信息检索的效率。我相信，随着AI技术的不断发展，我们的生活将变得更加便捷和智能。
