说到AI，那咱就不得不提到Embedding和向量数据库，哈哈，这俩玩意儿现在可火了。

给用户推荐相似酒店，或者在FAQ里找到和问题Zui接近的答案，这个需求hen常见吧。

机器不Neng直接理解一段文字，第一步就是把文字变成可计算的向量，咱就是说这一步hen关键。

它的取值范围是，害，你别说这个范围挺有意思的。

余弦相似度衡量的是两个向量方向是否接近，而不是单纯kan向量长度。

对文本来说这一点hen重要，两段文本长度可Neng不同，但只要语义方向接近，就应该被认为相似，你懂的。

不对不对，应该是语义接近才对，咱就这么记吧。

为啥要提到余弦相似度呢，因为后面要用到嘛，说实话，这东西挺有用的。

这里使用的是西雅图酒店数据集，字段主要有三个：nameaddress和desc。

desc是酒店的文本描述，也是后面Zuo文本特征和相似度计算的核心字段，咱就是说这个字段hen重要。

N-Gram、TF-IDF、Word2Vec、Embedding模型，这些dou是用来得到向量的，你Ke以想想，它们dou是干啥的。

向量有了以后就Ke以计算相似度，也Ke以把它们存起来Zuo检索，向量数据库就是干这个的。

FAISS和各种向量数据库，对应的正是“向量怎么存、怎么查”这两个问题，咱就是说这俩问题hen关键。

假设现在要Zuo一个内容推荐系统：用户选中一家酒店，系统需要推荐描述相似的其他酒店。

这个任务的核心就是一句话：把酒店描述变成Ke以计算的东西，然后找相似，哈哈，是不是hen简单。

Zui直接的Zuo法是：先把每家酒店的描述转换成特征向量，再计算目标酒店和其他酒店之间的余弦相似度，Zui后取相似度Zui高的Top N，你懂的。

公式如下：cosine similarity = / ，那个那个，这个公式挺有名的吧。

有人可Neng会问，为什么百度不收录我的文章，是不是因为内容不够好？

其实吧，影响收录的因素有hen多，比如网站权重、内容质量、geng新频率等等，你得综合考虑嘛，说实话，这事儿挺复杂的。

Ru果你想让百度收录你的文章， 得确保内容是原创且高质量的，然后网站结构和SEO优化也要Zuo好，不对不对，还有hen多其他因素呢，咱就不展开说了。

Embedding像是给文本、图片、商品分配坐标；相似度计算是在kan两个坐标靠不靠近；向量数据库负责把这些坐标和原始数据一起管起来方便后面快速查找，你Ke以这么记吧。

N-Gram、TF-IDF、Word2Vec这些技术dou是为了得到geng好的向量表示，而FAISS和向量数据库则是为了geng高效地存储和检索这些向量，哈哈，是不是有点明白了。