将文本嵌入组合成一个然后在向量数据库中搜索的最佳方法是什么？
我正在尝试创建一个推荐系统，因此当用户单击另一个类别时，我会获得文本嵌入并将其添加到“组合嵌入”中。
例如，如果用户点击食物食谱，则用户的提要应该有更多有关食物食谱的结果，而较少有关运动或工作的结果。
我使用以下公式：向量1 +向量2 +向量3 + ... = [(a1+b1+c1),(a2+b2+c2) ...]。但结果不是很好。
将文本嵌入组合成单个向量，然后在向量数据库中进行搜索是语义搜索、文档检索和推荐系统等各种自然语言处理 (NLP) 应用中的常见任务。这是一般方法：
向量表示：首先，您需要将每个文本文档或输入表示为向量。这通常是使用预先训练的词嵌入（如 Word2Vec、GloVe 或 FastText）或更复杂的方法（如 BERT 嵌入）来完成。
聚合：一旦获得文本中每个单词的单词嵌入，您需要将它们聚合成整个文档的单个向量表示。您可以使用多种技术进行聚合：
平均：简单地平均文档中所有词嵌入。 求和：求和所有词嵌入。 加权平均：根据 TF-IDF 分数或其他相关性分数对词嵌入进行加权。 池化：跨词嵌入应用最大池化或均值池化。 Doc2Vec/段落向量：训练模型以直接生成文档级嵌入。 矢量数据库：获得所有文档的聚合嵌入后，您可以在矢量数据库中对它们进行索引。受欢迎的选择包括：
FAISS：同时支持CPU和GPU的高性能相似性搜索库。 Annoy：另一个用于近似最近邻搜索的高效库。 带矢量插件的 Elasticsearch：如果您使用 Elasticsearch，则可以使用矢量插件等插件对矢量嵌入执行相似性搜索。 搜索：当您想要搜索相似文档时，您可以使用与文档相同的过程来计算查询文本的嵌入，然后在向量数据库中执行相似性搜索。这将根据向量表示返回最相似的文档。