Vektor / Vector (im Kontext meist „Vector Search" oder „Vektorsuche" — Vektor ist im Deutschen üblicher, der Compound „Vector Search" bleibt oft englisch) Eine Reihe numerischer Werte, die die Bedeutung eines Begriffs oder Produkts abbildet. Zwei Vektoren, die nah beieinanderliegen, stehen für verwandte Konzepte, so verbindet eine Suchmaschine „bequem" mit „ergonomisch", obwohl die Wörter nichts gemeinsam haben. Definition Ein Vektor ist eine geordnete Liste von Zahlen, die etwas repräsentiert. In der Suche typischerweise ein Wort, eine Query, ein Produkt oder ein Bild. Im Kontext semantischer Suche und von Empfehlungssystemen sind Vektoren das Ergebnis von Embedding-Modellen: Jedes Element wird in ein Array fester Länge mit Gleitkommazahlen (typischerweise 256 bis 1.536 Werte) umgewandelt, das seine Bedeutung kodiert. Zwei Vektoren sind „nah", wenn die Elemente, die sie repräsentieren, semantisch ähnlich sind, gemessen mit Distanzmetriken wie der Kosinus-Ähnlichkeit. Der Vektor für „Laptop" und der Vektor für „Notebook-Computer" liegen nah beieinander; der Vektor für „Laptop" und der für „Couchtisch" weit auseinander. Wofür es nützlich ist Vektoren machen es rechnerisch möglich, Bedeutung im großen Maßstab zu vergleichen. Zu prüfen, ob zwei Wörter verwandt sind, indem eine Regeltabelle nachgeschlagen wird, ist langsam und unvollständig. Die Kosinus-Distanz zwischen zwei 512-dimensionalen Vektoren zu berechnen, ist schnell und funktioniert für jede Sprache, jede Domäne und jede Kombination von Begriffen, auch für solche, denen das System nie explizit begegnet ist. Genau das erlaubt es einer Suchmaschine, „ergonomischer Bürostuhl" mit einer Anfrage nach „Rückenschmerzen Homeoffice" zu verknüpfen, ohne dass jemals eine Synonymregel dafür geschrieben wurde. Doofinder DooFinder berechnet während der Indexierung Vektoren für Produkte mit Sprachmodellen, die auf E-Commerce-relevanten Daten trainiert sind. Zum Zeitpunkt der Anfrage wird die Nutzer-Query in einen Vektor umgewandelt, und die Engine ruft die Produkte ab, deren Vektoren am nächsten liegen, die semantischen Nearest Neighbors. Diese Vektorsuche läuft parallel zur oder als Ergänzung zur Keyword-Suche, wobei die finalen Ergebnisse Signale aus beiden Ansätzen kombinieren. Praxisbeispiel Zwei Anfragen erreichen denselben Shop: „leichter Herren-Anzugschuh" und „formeller Schuh geringes Gewicht Herren". Beide drücken dieselbe Absicht mit völlig unterschiedlichen Worten aus. Die Vektorsuche berechnet Embeddings für beide Anfragen und stellt fest, dass sie in derselben Region des Vektorraums landen nahe an Produkten, die als formelle Herrenschuhe mit Attributen für leichte Bauweise ausgezeichnet sind. Beide Anfragen liefern dieselbe relevante Produktmenge.