了解现代系统如何解释用户意图
发布: (2026年5月1日 GMT+8 07:14)
4 分钟阅读
原文: Dev.to
Source: Dev.to
现代平台与用户意图
YouTube、Netflix 等现代平台不再仅仅依赖传统的基于查询的系统。
它们转而利用由 向量数据库 提供的语义理解，以实现高度个性化的体验。
示例模式
- 早晨 → 宗教或轻音乐内容
- 中午 → 技术播客
- 晚上 → 纪录片
这些模式并非通过关键词匹配，而是从行为和语义相似性中推断出来的。
传统数据库的局限性
MySQL、MongoDB 等关系型和 NoSQL 数据库主要基于精确匹配或索引查询。
-- Example of a keyword‑based query
SELECT * FROM content WHERE text LIKE '%cats%';当查询是语义而非词汇时，这种方法会失效：
“猫喜欢什么？”
不需要精确的关键词匹配；意义 ≠ 用词，且非结构化数据处理不佳。
向量数据库
它们是什么
向量数据库将数据存储为高维向量，这些向量表示 意义 而非原始文本。这使得语义搜索成为可能，相似度基于意义而非精确匹配。
数据摄取
原始数据被导入系统，例如：
- 文档
- 视频
- 用户行为日志
- 元数据
分块
将大数据拆分为更小的片段（段落、句子、内容碎片），以提升检索准确性并保持上下文粒度。
嵌入
每个块使用嵌入模型转换为向量。
Example:
"Cats love playing" → [0.12, -0.88, 0.47, ...]这些向量编码了语义意义，而不仅仅是词语。每条存储项包括：
- 向量表示
- 原始内容
- 元数据（标题、来源、时间戳等）
查询阶段
用户查询
“猫喜欢什么？”
查询使用相同的嵌入模型转换为向量。向量之间通过 余弦相似度 或 点积 等度量进行比较，以找到最接近的意义。
检索
系统根据语义相似度返回最相关的结果（例如前 3、前 5）：
- “Cats love playing” ✅
- “Cats sleep a lot”（语义相关）
- “Dogs are loyal”
为何重要
向量数据库是以下领域的基础：
- 推荐系统（YouTube、Netflix）
- 语义搜索引擎
- AI 助手（如 ChatGPT）
- 检索增强生成（RAG）系统
关键洞察
| 传统系统 | 现代系统 |
|---|---|
| ❌ 匹配关键词 | ✅ 理解意义 |
| 精确匹配 → 语义理解 | 结构化查询 → 上下文检索 |
这不仅是一次改进，而是数据处理和检索方式的根本性转变。