normalizeembeddings: косинусное сходство и dot product
У вектора единичной длины норма равна единице. Если оба ненулевых вектора нормализованы, их скалярное произведение совпадает с косинусным сходством.
Это свойство нужно согласовать с метрикой индекса и преобразованием запросов. Нормализовать только документы и забыть про поисковый запрос — плохой способ получить сопоставимые оценки. В упражнении проверьте математический смысл параметра нормализации.
Это бесплатное упражнение из платного курса. Проверьте решение без регистрации. Объяснения и последовательная практика — в курсе «Vector DB & RAG Developer».
Что позволяет параметр normalize_embeddings=True упростить вычисление близости?
Без регистрации · результат не сохраняется
Связанные задачи
- embedquery и embeddocuments: в чём разница
- Косинусное сходство или евклидово расстояние: тест
- Word2Vec и BERT: чем отличаются представления слова
- FAISS IndexIVFPQ: зачем кодировать остаточные векторы
- FAISS normalizeL2: что означает изменение массива in-place
- LangChain FAISS: фильтр метаданных в similaritysearch
