/index/search 接口用于实现检索，本页面主要介绍如何实现稠密稀疏混合近邻检索。
稠密稀疏混合近邻检索是结合稠密向量和稀疏向量的检索方法，可以同时利用稠密向量的语义匹配能力和稀疏向量的关键词匹配能力，提高搜索结果的准确性和覆盖面。

稠密向量（Dense Vector）

• 定义：

稠密向量是由模型（如doubao-embedding）生成的高维向量，通常通过深度学习模型从文本、图像或其他数据中提取语义特征。向量的每个维度都有非零值。

• 特点：
  • 通过语义理解捕获隐含关系，适合语义相似度计算。
  • 缺点：缺乏查找特定的关键字或短语的能力，对 Embedding 模型能力依赖性较强。例如检索语句是“最新电子产品评测”，如果文档中写的是“这里有各类最新上架的电子产品的详细介绍与相关的用户评测”，可能因语义理解偏差而未能准确关联。
  • 例如：[1.2, 2.4, 3.7, 4.8]
• 应用场景：
  • 语义搜索：查找与查询语句语义相似的文档，即使不包含完全相同的关键词。
  • 推荐系统：根据用户的兴趣生成稠密向量，匹配相关内容。

稀疏向量（Sparse Vector）

• 定义：

稀疏向量是一个高维向量，其中大多数维度为零，通常由词袋模型生成，基于显式的关键词表示。

• 特点：
  • 解释性更强，捕获关键词的明确存在或缺失。
  • 缺点：难以捕捉更丰富、细腻的语义及相似性。例如，检索语句为“红色的漂亮苹果”，若文档中写的是“色泽艳丽的红苹果非常好看”，可能因未精准匹配“红色”“漂亮”这两个具体关键词而被错过。
  • 例如：{"什么":0.34, "是":0.76, "稀疏向量":0.98}
• 应用场景：
  • 精准关键词匹配：适用于检索明确包含特定关键词的文档。
  • 法律文档、专利文献等领域：需要精确定位关键词出现的位置和频率。

在向量近邻检索的基础上，您可以在 order_by_vector 参数下写入待检索的稠密和稀疏向量，并使用 dense_weight 子参数调整稠密向量权重。

响应消息

状态码说明

请求消息

curl -i -X POST \
  -H 'Content-Type: application/json' \
  -H 'Authorization: HMAC-SHA256 ***' \
  https://api-vikingdb.volces.com/api/index/search \
  -d '{
    "collection_name": "test_name",
    "index_name": "index_test",
    "search": {
        "order_by_vector": {
            "vectors": [      //待检索的稠密向量
                [0.1, 0.2, 0.3......0.9], 
                [0.01, 0.02, 0.03......0.09],
            ],  
            "sparse_vectors": [     //待检索的稀疏向量
                {"什么": 0.34, "是": 0.03, "B": 0.11, "M":0.32, "25": 0.03}, 
                {"一": 0.08, "种": 0.14, " 信息": 0.19, " 检索": 0.63, " 算法":0.97} 
            ]     
        }, 
        "limit": 2,
        "dense_weight": 0.5,     //稠密向量权重
    }
}
}'

响应消息

执行成功返回：

HTTP/1.1 200 OK
Content-Length: 43
Content-Type: application/json
 
{
    "code":0,
    "msg":"search success",
    "request_id":"021695029537650fd001de666660000000000000000000230da93",
    "data": [
        [
            {
                "id": 1,
                "score": 0.99,
                "fields": {
                    "time": 1690529704,
                    "author": "zhangsan"
                } 
            },
            {
                "id": 2,
                "score": 0.98,
                "fields": {
                    "time": 1690529701,
                    "author": "lisi"
                } 
            }
        ],
        [
            {
                "id": 9,
                "score": 0.95,
                "fields": {
                    "time": 1690529708,
                    "author": "wangwu"
                } 
            },
            {
                "id": 8,
                "score": 0.84,
                "fields": {
                    "time": 1690529710,
                    "author": "zhaoliu"
                } 
            }            
        ]
    ]
}

执行失败返回：

HTTP/1.1 400 OK
Content-Length: 43
Content-Type: application/json
 
{"code":1000008, "msg":"index not exist", "request_id":"021695029736548fd001de66666000000000000000000029aa917"}