无论如何，你很可能已经看到过关于向量数据库的话题，这在一定程度上要归功于大型语言模型(LLM)的爆炸式发展。近几个月来，关于向量数据库的讨论越来越多，引发了许多问题，包括：向量数据库是什么?它们与知识图谱数据库相比有何不同?为什么以及在什么情况下应该使用向量数据库?
在数据管理和分析领域，这两种数据库都是非常有价值的工具，但它们的用途不同，在不同的应用场景中表现出色。虽然二者都是功能强大的数据库，在存储和查询数据方面都比关系型数据库更有效、更灵活，但在决定使用哪种数据库，或者何时同时使用两种数据库时，需要了解企业希望实现的目标。
知识图谱与向量数据库：异同
为了帮助理解技术和业务影响，了解它们各自的作用非常重要。
从相似之处入手，二者都旨在表示和管理复杂的结构化和非结构化数据，这对支持日益增长的深入分析需求和打破数据孤岛至关重要。它们都能存储和查询复杂的数据，如图形和网络，因此在许多应用中都很有用。它们还可用于实施各种机器学习和人工智能应用，如电子商务、文本分析、推荐系统、搜索引擎、NLP 等。
然而，所有这些举措都需要大量数据，并能够连接这些系统以确保协作。最近的一份报告称，86% 的公司都在处理数据孤岛问题，因此将所有这些数据汇集在一起对于确保实现业务目标变得更加重要。
向量嵌入是对象的数字表示(图片来源：Pinecone)
它们的不同之处既在于功能和能力，也在于企业对数据的需求。向量数据库针对图像检索、自然语言处理、推荐系统和检索增强生成等应用进行了优化。例如，它们可以存储和搜索图像和单词嵌入(称为高维向量)，分别代表图像的视觉特征和单词的语义。前者可以在大型数据集中快速高效地搜索相似图像，而情感分析和文本摘要等自然语言处理活动则由词嵌入驱动。
从概念上讲，设想一家公司有大量的产品可供选择，这就要求他们无论寻找什么，都能快速、轻松地找到任何商品。向量数据库就像一个巨大的搜索引擎，可以帮助企业找到类似的产品，即使这些产品的分类方式并不相同。例如，如果要查找铝梯，向量数据库可以支持查找所提供的所有铝梯，即使它们的品牌、尺寸或样式各不相同。同样的向量数据库可以帮助查询所有铝梯的图片，并获得每张图片的相关文字或描述摘要。当 LLM 需要用于私人数据和/或减少幻觉时，向量数据库也受到了广泛的关注。 向量数据库的这种用法被称为检索增强生成(RAG)。
知识图谱数据库有许多不同之处，包括针对查询数据之间的复杂关系和实体之间的语义进行了优化。它们将数据表示为实体(节点)及其关系(边)。知识图谱擅长对复杂、相互关联的数据进行建模，例如概念、实体及其属性之间的语义关系。知识图谱也非常适合表示数据片段之间错综复杂的关系，几乎就像连接信息系统拼图中的点。把它们想象成开发一个相互连接的信息网络，其中事物之间的关系是访问、共享和使用数据的核心。当使用语义标准进行增强时，企业就能在各种系统中获得通用、共享的数据语言。
知识图谱允许用户查询数据之间的复杂关系(图片来源：Ontotext)
知识图谱数据库就像前面提到的例子中的多维地图。它们显示了不同产品之间的关系，有助于提供个人可能没有意识到的联系。在这里，知识图谱数据库可用于支持使用自然语言的问题解答系统。通过这种方式，用户可以询问铝梯与其他铝制建筑相关产品的关系，如排水沟、护墙板、油漆、供暖和制冷管道等。借助知识图谱的推理能力，它还能展示化妆品、手机甚至红宝石和蓝宝石等使用铝的物品。从实际意义上讲，用户可以利用知识图谱驱动的建筑信息管理系统，查询典型建筑中可能包含的所有使用铝的物品实例。
由于知识图谱数据库具有推理能力，使用资源描述格式 (RDF)，可以利用人工智能进行推理。一旦完成，这些新出现的知识就可以用来发现新的见解和模式，而这些见解和模式用传统方法是很难或不可能找到的，有时被称为 “未知的未知数”。这使得它们非常适合用于知识组织和发现、语义搜索以及高级多级查询和问题解答等解决方案。当我们的目标是了解不同信息之间的关系时，例如在建立关系重要的复杂推荐系统、分析网络或组织结构化知识时，RDF 是一个可靠的选择。这是因为它们强调在图结构中对关系、实体及其属性进行建模，从而实现丰富的语义表示。
你的选择是什么?
在决定哪种类型的数据库更适合您的业务时，归根结底要看需要用数据做什么。如果企业需要快速、轻松地找到同类产品，那么向量数据库可能是最 佳选择。如果企业需要额外的分析能力来挖掘和理解不同产品之间的关系，那么知识图谱数据库将为企业的数据和业务战略奠定正确的基础。
向量数据库更适合涉及相似性和机器学习的任务，而知识图谱数据库则擅长对相互关联、复杂、语义丰富的数据进行建模和查询。知识图谱数据库非常适合需要在特定领域上下文中表示和推理知识的应用，如医疗保健、金融和客户关系管理(CRM)应用。
在二者之间做出选择最终取决于您想要实现什么目标。关键是要创建一个清晰的企业级数据战略，并牢记语义，因为这将确保语言的清晰性，促进共享，并使企业能够从数据中获得最 佳结果。
作者 Doug Kimball 是企业知识图谱(EKG)技术和语义数据库引擎提供商 Ontotext 的首席营销官。
