{"id":15429,"date":"2024-03-14T06:01:07","date_gmt":"2024-03-14T13:01:07","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=15429"},"modified":"2025-06-13T16:37:03","modified_gmt":"2025-06-13T23:37:03","slug":"vector-similarity-search","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/pt\/vector-similarity-search\/","title":{"rendered":"O que \u00e9 a pesquisa de similaridade vetorial?"},"content":{"rendered":"

Vis\u00e3o geral da pesquisa de similaridade vetorial<\/span><\/h2>\n

A pesquisa de similaridade vetorial \u00e9 uma t\u00e9cnica que encontra conte\u00fado ou dados semelhantes de acordo com suas representa\u00e7\u00f5es vetoriais. Imagine cada dado como uma cole\u00e7\u00e3o de n\u00fameros organizados de uma maneira espec\u00edfica. Ao comparar essas cole\u00e7\u00f5es de n\u00fameros, podemos pesquisar rapidamente conte\u00fado ou dados semelhantes em conjuntos de dados maiores. \u00c9 como encontrar livros semelhantes em uma biblioteca comparando seus c\u00f3digos exclusivos ou imagens semelhantes comparando seus valores de pixel. Continue lendo para saber mais sobre a pesquisa de similaridade de vetores, suas aplica\u00e7\u00f5es e como a dist\u00e2ncia entre vetores \u00e9 medida.<\/span><\/p>\n

Como funciona a pesquisa de similaridade vetorial<\/span><\/h2>\n

A pesquisa de similaridade vetorial \u00e9 amplamente usada na recupera\u00e7\u00e3o de informa\u00e7\u00f5es, aprendizado de m\u00e1quina, sistemas de recomenda\u00e7\u00e3o e vis\u00e3o computacional. Vamos explorar como ela funciona.<\/span><\/p>\n

Representa\u00e7\u00e3o vetorial<\/span><\/h3>\n

Na pesquisa de similaridade vetorial, representamos dados como documentos, imagens ou produtos como vetores em um espa\u00e7o com muitas dimens\u00f5es. Cada dimens\u00e3o representa uma caracter\u00edstica ou atributo espec\u00edfico dos dados. Por exemplo, em um sistema de pesquisa de documentos, cada dimens\u00e3o poderia representar uma palavra ou um termo. Com esse m\u00e9todo de organiza\u00e7\u00e3o, podemos comparar vetores e encontrar dados semelhantes. Essa abordagem torna a pesquisa mais eficaz porque capturamos caracter\u00edsticas importantes dos dados em um formato estruturado e mensur\u00e1vel.<\/span><\/p>\n

Indexa\u00e7\u00e3o<\/span><\/h3>\n

Para tornar as pesquisas de similaridade mais r\u00e1pidas e eficientes, criamos uma estrutura de \u00edndice que organiza os vetores. Pense no \u00edndice como uma maneira especial de organizar os dados que nos permite encontrar rapidamente vetores semelhantes sem comparar cada par no conjunto de dados. A indexa\u00e7\u00e3o \u00e9 particularmente \u00fatil ao lidar com grandes quantidades de dados, pois acelera significativamente o processo de pesquisa. Com o \u00edndice, podemos encontrar vetores relevantes muito mais rapidamente, economizando tempo e recursos.<\/span><\/p>\n

Dist\u00e2ncia m\u00e9trica<\/span><\/h3>\n

Usamos uma m\u00e9trica de dist\u00e2ncia para determinar o quanto os vetores s\u00e3o semelhantes ou diferentes (falaremos mais sobre m\u00e9tricas de dist\u00e2ncia na pr\u00f3xima se\u00e7\u00e3o). Essa m\u00e9trica calcula a dist\u00e2ncia ou a dissimilaridade entre dois vetores no espa\u00e7o de alta dimens\u00e3o. H\u00e1 diferentes m\u00e9tricas de dist\u00e2ncia dispon\u00edveis, como dist\u00e2ncia euclidiana, similaridade de cosseno e similaridade de produto escalar. A escolha da m\u00e9trica de dist\u00e2ncia a ser usada depende da natureza dos dados e das necessidades espec\u00edficas do aplicativo. Cada m\u00e9trica de dist\u00e2ncia tem seus pontos fortes e \u00e9 adequada para diferentes tipos de dados.\u00a0<\/span><\/p>\n

Cria\u00e7\u00e3o do \u00edndice<\/span><\/h3>\n

Os vetores e a m\u00e9trica de dist\u00e2ncia escolhida s\u00e3o usados para criar a estrutura de \u00edndice. Diferentes tipos de estruturas de \u00edndice podem ser empregados, incluindo <\/span>\u00e1rvores k-d<\/span><\/a>, <\/span>\u00e1rvores de bolas<\/span><\/a>, <\/span>\u00c1rvores VP<\/span><\/a>ou <\/span>\u00e1rvores de proje\u00e7\u00e3o aleat\u00f3ria<\/span><\/a>. Essas estruturas dividem o espa\u00e7o de alta dimens\u00e3o em regi\u00f5es menores, permitindo uma pesquisa eficiente ao restringir o espa\u00e7o de pesquisa. A organiza\u00e7\u00e3o dos vetores dessa forma nos permite localizar rapidamente vetores semelhantes sem comparar todos os pares poss\u00edveis. A estrutura de \u00edndice funciona como um roteiro, orientando o processo de pesquisa e acelerando-o significativamente, especialmente ao lidar com grandes conjuntos de dados.<\/span><\/p>\n

Consulta<\/span><\/h3>\n

Para encontrar vetores semelhantes, come\u00e7amos com um vetor de consulta que representa o objeto no qual estamos interessados. O vetor de consulta \u00e9 ent\u00e3o comparado com os vetores indexados usando a m\u00e9trica de dist\u00e2ncia escolhida. A estrutura do \u00edndice desempenha um papel fundamental nesse processo, orientando a pesquisa. Ela direciona a pesquisa para regi\u00f5es relevantes do espa\u00e7o de alta dimens\u00e3o, o que ajuda a reduzir o n\u00famero de compara\u00e7\u00f5es de vetores necess\u00e1rias. Ao aproveitar a estrutura do \u00edndice, podemos localizar com efici\u00eancia vetores semelhantes sem comparar o vetor de consulta com cada vetor do conjunto de dados. Essa abordagem economiza tempo e recursos computacionais, tornando o processo de pesquisa mais r\u00e1pido e eficaz.<\/span><\/p>\n

Classifica\u00e7\u00e3o e recupera\u00e7\u00e3o<\/span><\/h3>\n

Depois de comparar o vetor de consulta com os vetores indexados usando a m\u00e9trica de dist\u00e2ncia escolhida, os vetores recuperados geralmente s\u00e3o classificados com base em sua similaridade com o vetor de consulta. Essa classifica\u00e7\u00e3o \u00e9 determinada pelos valores de dist\u00e2ncia obtidos com a m\u00e9trica de dist\u00e2ncia. Os vetores com dist\u00e2ncias menores em rela\u00e7\u00e3o ao vetor de consulta s\u00e3o considerados mais semelhantes e recebem classifica\u00e7\u00f5es mais altas. Por fim, os resultados da pesquisa consistem nos vetores mais semelhantes, com base na m\u00e9trica de dist\u00e2ncia escolhida, que s\u00e3o retornados como sa\u00edda final. Esse processo de classifica\u00e7\u00e3o garante que os vetores mais relevantes e semelhantes sejam apresentados como os principais resultados da pesquisa.<\/span><\/p>\n

P\u00f3s-processamento<\/span><\/h3>\n

Etapas adicionais de p\u00f3s-processamento podem ser aplicadas aos resultados da pesquisa em determinados aplicativos com base nos requisitos do aplicativo. Por exemplo, em um sistema de recomenda\u00e7\u00e3o, outras etapas, como algoritmos de filtragem e classifica\u00e7\u00e3o, podem ser empregadas para personalizar as recomenda\u00e7\u00f5es de acordo com as prefer\u00eancias do usu\u00e1rio. Essas etapas de p\u00f3s-processamento ajudam a refinar e adaptar os resultados da pesquisa para atender melhor \u00e0s necessidades e prefer\u00eancias dos usu\u00e1rios. Ao incorporar esses algoritmos adicionais, o sistema pode fornecer recomenda\u00e7\u00f5es mais direcionadas e personalizadas, aprimorando a experi\u00eancia geral do usu\u00e1rio.<\/span><\/p>\n

Ao representar efetivamente os objetos como vetores, construir uma estrutura de \u00edndice, selecionar uma m\u00e9trica de dist\u00e2ncia adequada e utilizar o \u00edndice para uma pesquisa eficiente, a pesquisa de similaridade de vetores permite a recupera\u00e7\u00e3o de vetores semelhantes de um espa\u00e7o de alta dimens\u00e3o. Os vetores recuperados s\u00e3o ent\u00e3o classificados, e as etapas de p\u00f3s-processamento podem ser aplicadas com base nos requisitos espec\u00edficos do aplicativo.<\/span><\/p>\n

M\u00e9tricas de dist\u00e2ncia na pesquisa de similaridade de vetores<\/span><\/h2>\n

As m\u00e9tricas de dist\u00e2ncia s\u00e3o um componente essencial da pesquisa de similaridade de vetores, pois fornecem uma maneira de medir a similaridade ou a dissimilaridade entre dois vetores. V\u00e1rios tipos de m\u00e9tricas de dist\u00e2ncia podem ser usados na pesquisa de similaridade de vetores, cada um com pontos fortes e fracos. A escolha da m\u00e9trica de dist\u00e2ncia depender\u00e1, em \u00faltima an\u00e1lise, do aplicativo espec\u00edfico e do tipo de dados que est\u00e1 sendo analisado.<\/span><\/p>\n

Dist\u00e2ncia Euclidiana<\/span><\/h3>\n

A dist\u00e2ncia euclidiana mede a dist\u00e2ncia em linha reta entre dois vetores em um espa\u00e7o multidimensional. Ela \u00e9 calculada como a raiz quadrada da soma dos quadrados das diferen\u00e7as entre os elementos correspondentes dos dois vetores.<\/span><\/p>\n

Dist\u00e2ncia L2 ao quadrado<\/span><\/h3>\n

A dist\u00e2ncia L2 ao quadrado mede a dist\u00e2ncia entre dois vetores com base na dist\u00e2ncia euclidiana. Ela \u00e9 calculada como a soma dos quadrados das diferen\u00e7as entre os elementos correspondentes dos dois vetores.<\/span><\/p>\n

Similaridade do produto de pontos<\/span><\/h3>\n

A similaridade do produto escalar mede a similaridade entre dois vetores com base no produto escalar dos vetores. Ela \u00e9 calculada como o produto escalar dos dois vetores.<\/span><\/p>\n

Similaridade de cosseno<\/span><\/h3>\n

A similaridade de cosseno mede a similaridade entre dois vetores com base em seu produto escalar. Ela \u00e9 calculada como o produto escalar dos dois vetores dividido pelo produto de suas magnitudes.<\/span><\/p>\n

Similaridade Jaccard<\/span><\/h3>\n

A similaridade de Jaccard mede a similaridade entre dois conjuntos com base no tamanho de sua interse\u00e7\u00e3o e uni\u00e3o. Ela \u00e9 calculada como o tamanho da interse\u00e7\u00e3o dividido pelo tamanho da uni\u00e3o.<\/span><\/p>\n

Dist\u00e2ncia de Manhattan<\/span><\/h3>\n

A dist\u00e2ncia de Manhattan mede a dist\u00e2ncia entre dois vetores com base na soma das diferen\u00e7as absolutas entre seus elementos correspondentes.<\/span><\/p>\n

Dist\u00e2ncia de Hamming<\/span><\/h3>\n

A dist\u00e2ncia de Hamming mede a dist\u00e2ncia entre dois vetores com base no n\u00famero de posi\u00e7\u00f5es em que os elementos correspondentes dos vetores s\u00e3o diferentes.<\/span><\/p>\n

Casos de uso para pesquisa de similaridade de vetores<\/span><\/h2>\n

Agora que j\u00e1 analisamos as m\u00e9tricas de dist\u00e2ncia vetorial, vamos explorar tr\u00eas casos de uso da pesquisa de similaridade vetorial: pesquisa de imagens, sistemas de recomenda\u00e7\u00e3o e detec\u00e7\u00e3o de fraudes.<\/span><\/p>\n

Pesquisa de imagens<\/span><\/h3>\n

A pesquisa de similaridade de vetores pode encontrar com efici\u00eancia imagens semelhantes em um grande banco de dados. Por exemplo, um usu\u00e1rio pode carregar uma imagem de consulta, e o algoritmo de pesquisa pode localizar todas as imagens no banco de dados que sejam semelhantes \u00e0 imagem de consulta com base em seus recursos visuais, como cor, textura e forma. Al\u00e9m da pesquisa de imagens, isso pode ser usado para detec\u00e7\u00e3o de objetos e reconhecimento facial.<\/span><\/p>\n

Sistemas de recomenda\u00e7\u00e3o<\/span><\/h3>\n

A pesquisa de similaridade de vetores pode ser usada para criar sistemas de recomenda\u00e7\u00e3o que sugerem produtos ou servi\u00e7os semelhantes aos que um usu\u00e1rio gostou ou comprou anteriormente. Por exemplo, o hist\u00f3rico de compras de um usu\u00e1rio pode ser representado como um vetor, e o algoritmo de pesquisa pode encontrar todos os produtos no banco de dados semelhantes ao hist\u00f3rico de compras do usu\u00e1rio com base em seus recursos, como categoria, pre\u00e7o e marca. Essa capacidade pode ser \u00fatil em aplicativos como com\u00e9rcio eletr\u00f4nico, streaming de m\u00fasica e v\u00eddeo e publicidade on-line.<\/span><\/p>\n

Detec\u00e7\u00e3o de fraudes<\/span><\/h3>\n

A pesquisa de similaridade de vetores pode <\/span>detectar transa\u00e7\u00f5es fraudulentas<\/span><\/a> comparando a similaridade entre uma transa\u00e7\u00e3o de consulta e um banco de dados de transa\u00e7\u00f5es fraudulentas conhecidas. Por exemplo, uma transa\u00e7\u00e3o de consulta pode ser representada como um vetor, e o algoritmo de pesquisa pode encontrar todas as transa\u00e7\u00f5es no banco de dados que sejam semelhantes \u00e0 transa\u00e7\u00e3o de consulta com base em seus recursos, como valor, local e hora do dia. Essa capacidade pode ser \u00fatil em aplicativos como detec\u00e7\u00e3o de fraude de cart\u00e3o de cr\u00e9dito, detec\u00e7\u00e3o de fraude de seguro e detec\u00e7\u00e3o de lavagem de dinheiro.<\/span><\/p>\n

Vantagens da pesquisa de similaridade de vetores<\/span><\/h2>\n

Aqui est\u00e3o alguns dos principais benef\u00edcios do uso da pesquisa vetorial:<\/span><\/p>\n