Векторный поиск: что это такое и зачем магазину

Векторный поиск — это способ искать по смыслу текста, а не по совпадению слов. Он умеет находить экскаватор по запросу «выкопать яму под фундамент», хотя общих слов в них нет. Разберём, как это устроено, без формул.

Как текст превращается в числа

Модель читает текст и выдаёт набор чисел — вектор. Правило одно: близкие по смыслу тексты дают близкие векторы.

Дальше всё просто:

1. Каждой карточке каталога один раз считается вектор — по названию, описанию и характеристикам.
2. Запросу клиента считается вектор в момент поиска.
3. Система ищет карточки, чьи векторы ближе всего к вектору запроса.

Никакого перебора слов не происходит. Сравниваются смыслы.

Чем это отличается от обычного поиска

Полнотекстовый поиск отвечает на вопрос «где встречаются эти слова». Векторный — на вопрос «что похоже по смыслу».

Разница на примерах:

• «чем поднять плиту на третий этаж» → находит кран-манипулятор, хотя слова «кран» в запросе нет;
• «что-нибудь недорогое для дачи» → находит технику и услуги нужного класса, а не карточку со словом «недорогое»;
• «мойка высокого давления» → тут отлично сработает и обычный поиск: слова совпадают.

Отсюда вывод: векторный поиск не отменяет полнотекстовый, он закрывает те запросы, где слова не совпадают.

Где он ошибается

Слабые места нужно знать заранее:

• Точные артикулы и модели. «JCB 3CX» — это не смысл, а строка. Векторный поиск здесь проигрывает точному совпадению.
• Числа и единицы. «Стрела 22 метра» модель понимает как смысл, а не как условие. Числовые ограничения должны работать фильтром поверх.
• Пустые карточки. Если в описании три слова, вектор посчитан по трём словам.
• Похожее вместо нужного. Модель всегда найдёт что-то ближайшее. Без порога отсечения она будет предлагать похожее там, где правильный ответ — «такого нет».

Поэтому на практике работает связка: точное совпадение + вектор + фильтры + порог, ниже которого система честно отвечает, что не нашла.

Что нужно, чтобы это заработало на вашем каталоге

• Осмысленные названия. Не «Модель 4213», а «Экскаватор-погрузчик, ковш 0,3 м³».
• Описание хотя бы в одно-два предложения, желательно с назначением: для чего эта позиция.
• Характеристики отдельными полями, а не сплошным текстом.
• Регулярная переиндексация: вектор считается при загрузке карточки, изменили описание — пересчитайте.

Подробный чек-лист — в статье как подготовить каталог к умному поиску.

Сколько это стоит по ресурсам

Три величины, которые стоит понимать перед внедрением:

• Индексация. Считается один раз на карточку и повторяется при изменении. Для каталога в несколько тысяч позиций это минуты.
• Поиск. Сравнение векторов — быстрая операция. До нескольких тысяч карточек она уверенно укладывается в доли секунды даже без специальной базы.
• Хранение. Вектор — это несколько сотен чисел на карточку. На больших каталогах имеет смысл специализированное хранилище, на средних хватает обычной базы.

Вывод и следующий шаг

Векторный поиск — рабочий инструмент против запросов, где клиент описывает задачу своими словами. Он не заменяет точный поиск и фильтры, а дополняет их.

Следующий шаг: возьмите десять запросов, на которых ваш поиск сейчас выдаёт пустоту, и посмотрите, есть ли в каталоге товар, который человек имел в виду. Если есть — вам не хватает именно смысла.

Частые вопросы

Векторный поиск и семантический — это одно и то же?

Почти. «Семантический» описывает результат — поиск по смыслу. «Векторный» описывает способ, которым это сделано.

Нужна ли специальная база данных?

Не всегда. На каталогах до нескольких тысяч позиций близость считается прямо в приложении. Векторные расширения баз нужны, когда карточек десятки тысяч.

Как часто пересчитывать векторы?

При каждом изменении названия, описания или характеристик карточки. Цена и наличие на вектор не влияют.

Векторный поиск работает с опечатками?

Обычно да, потому что смысл сохраняется. Но грубые опечатки в редких словах лучше чинить отдельно.

Можно ли совместить его с фильтрами?

Не просто можно, а нужно: фильтры отсекают по жёстким условиям, вектор ранжирует то, что осталось.

Что делать, если поиск выдаёт «похожее», а не нужное?

Настроить порог отсечения и явно говорить клиенту, что точного совпадения нет. Об этом — честное «нет» работает лучше похожего товара.