向量函数

向量函数允许您计算向量对的相似度得分。这些向量相似度函数与 Neo4j 向量搜索索引中使用的函数相同。

vector.similarity.cosine()

详情
语法	`vector.similarity.cosine(a, b)`
描述	返回一个 `FLOAT` 类型值，表示参数向量之间基于余弦的相似度。
参数	名称	类型	描述
	`a`	`LIST<INTEGER \| FLOAT>`	表示第一个向量的列表。
	`b`	`LIST<INTEGER \| FLOAT>`	表示第二个向量的列表。
返回值	`FLOAT`

更多详情，请参阅向量索引文档。

注意事项
`vector.similarity.cosine(null, null)` 返回 `null`。
`vector.similarity.cosine(null, b)` 返回 `null`。
`vector.similarity.cosine(a, null)` 返回 `null`。
两个向量必须具有相同的维度。
两个向量在余弦相似度方面都必须有效。
此实现与最新可用向量索引提供程序 (`vector-2.0`) 的实现相同。
`vector.similarity.cosine()` 返回节点的邻近关系以及它们各自的余弦相似度得分，按相似度降序排列。相似度得分范围在 `0` 到 `1` 之间，得分越接近 `1` 表示索引向量与查询向量之间的相似度越高。

vector.similarity.euclidean()

详情
语法	`vector.similarity.euclidean(a, b)`
描述	返回一个 `FLOAT` 类型值，表示参数向量之间基于欧几里得距离的相似度。
参数	名称	类型	描述
	`a`	`LIST<INTEGER \| FLOAT>`	表示第一个向量的列表。
	`b`	`LIST<INTEGER \| FLOAT>`	表示第二个向量的列表。
返回值	`FLOAT`

更多详情，请参阅向量索引文档。

注意事项
`vector.similarity.euclidean(null, null)` 返回 `null`。
`vector.similarity.euclidean(null, b)` 返回 `null`。
`vector.similarity.euclidean(a, null)` 返回 `null`。
两个向量必须具有相同的维度。
两个向量在欧几里得相似度方面都必须有效。
此实现与最新可用向量索引提供程序 (`vector-2.0`) 的实现相同。
`vector.similarity.euclidean()` 返回节点的邻近关系以及它们各自的欧几里得相似度得分，按相似度降序排列。相似度得分范围在 `0` 到 `1` 之间，得分越接近 `1` 表示索引向量与查询向量之间的相似度越高。

示例 1. k-最近邻

k-最近邻查询返回与查询向量关联向量比较后相似度得分最高的 k 个实体。此类查询可以针对向量索引以近似 k-最近邻 (k-ANN) 查询的形式运行，其返回的实体很有可能属于真正的 k 个最近邻。但是，它们也可以直接使用向量相似度函数表示为详尽搜索。虽然这通常比使用索引慢得多，但它是精确而非近似的，并且不需要现有索引。这对于小数据集的一次性查询可能很有用。

要在本示例中使用图谱，请在空的 Neo4j 数据库中运行以下查询

CREATE
  (:Node { id: 1, vector: [1.0, 4.0, 2.0]}),
  (:Node { id: 2, vector: [3.0, -2.0, 1.0]}),
  (:Node { id: 3, vector: [2.0, 8.0, 3.0]});

给定参数 query（此处设置为 [4.0, 5.0, 6.0]），您可以通过欧几里得距离查询该查询向量的两个最近邻。这是通过匹配所有候选向量并按相似度得分排序来实现的

查询

MATCH (node:Node)
WITH node, vector.similarity.euclidean($query, node.vector) AS score
RETURN node, score
ORDER BY score DESCENDING
LIMIT 2;

这将返回两个最近邻。

结果
节点	得分
`(:Node {vector: [2.0, 8.0, 3.0], id: 3})`	`0.043478261679410934`
`(:Node {vector: [1.0, 4.0, 2.0], id: 1})`	`0.03703703731298447`
行数: 2