向量存储的优势

向量数据库相较于传统数据库的优势，包括高效的向量查询、良好的扩展性、更好的数据可视化和机器学习支持。高效的向量查询：向量数据库能够高速进行相似性搜索，快速找到和给定查询向量相似的向量数据。通过降维和数据可视化的能力使得向量数据库在数据挖掘和可视化分析领域具有重要的应用价值。更好的机器学习支持：向量数据库不仅可以存储和查询向量数据，还提供了丰富的机器学习支持。它可以与机器学习算法和框架进行无缝集成可视化和机器学习支持等优势。它的出现填补了传统数据库在处理复杂数据类型和高效查询方面的不足，为大数据和人工智能领域提供了更好的解决方案。随着数据量和应用场景的不断增加，向量数据库的应用前景将更加广阔。星环分布式向量数据库-TranswarpHippoTranswarpHippo是一款企业级云原生分布式向量数据库，支持存储，索引以及管理海量的向量式数据集，能够高效的解决向量相似度检索以及高密度向量聚类索引优化，实现高效的近似搜索，适用于大数据和复杂数据类型。相比传统数据库的基于关系型表的查询，向量数据库的查询操作更加灵活，能够针对向量数据进行更精准的检索，大大提高了查询的效率和准确性。良好的扩展性

向量数据库的优势主要体现在以下几个方面：高效的信息检索：通过将文本、图像或音频等数据编码成嵌入向量，向量数据库能够保留数据的语义信息，并允许通过计算向量之间的相似度来检索相关信息。这种基于语义的检索方式比传统的基于关键词的检索更为准确和高效，因为它能够捕捉到数据之间的深层联系。长期记忆能力：向量数据库具备强大的长期记忆能力，可以持久地保留大量的知识。通过将相似的数据存储在更近的地方，向量数据库能够方便地回忆起以前存储的信息，并在需要时提供快速而准确的访问。这种能力使得向量数据库成为处理大规模数据集和构建知识库的理想选择。克服上下文长度限制：在处理大型数据时，传统的文本处理方法可能会受到上下文长度的限制，导致无法完全理解文本的含义。而向量数据库则可以通过将大型数据编码为嵌入向量，并在提示上下文中存储其较短部分来克服这一限制。这样，即使面对较长的文本或复杂的上下文，向量数据库也能够有效地提取和存储关键信息，并允许后续通过向量相似度查询来获取相关结果。成本效益高：与调用完整的LLM（大型语言模型）API相比，生成嵌入向量并进行数据库查询的成本相对较低。嵌入向量仍然保留了关于文本的语义信息

向量数据库主要应用于相似性检索、机器学习和人工智能等领域。相较于传统数据库，向量数据库具备以下优势：高维向量检索：向量数据库能够高效地进行高维向量相似性检索，适用于机器学习和人工智能应用中的图片识别进行相似性检索比传统数据库更加高效。支持选择不同的索引结构：向量数据库允许用户根据不同的应用场景和数据类型选择不同的索引结构。向量数据库在相似性检索和机器学习等场景中具有显著优势，能够快速、高效地检索和、自然语言处理、推荐系统等场景。灵活性：向量数据库可以处理各种类型的向量数据，包括稀疏向量和稠密向量。此外，还可以处理其他数据类型，如数字、文本和二进制数据（Binary）。性能优化：使用向量数据库召回高维向量数据。星环分布式向量数据库-TranswarpHippo星环分布式向量数据库Hippo作为一款企业级云原生分布式向量数据库，基于分布式特性，可以对文档、图片、音视频等多源、海量数据转化后的多维向量进行统一存储和管理。通过多进程架构与GPU加速技术，充分发挥并行检索能力，实现毫秒级高性能数据检索，结合相似度检索等技术，帮助用户快速挖掘数据价值。

向量数据库是专门用来存储、管理、查询和检索向量化的数据库。星环科技向量数据库TranswarpHippo帮助用户实现向量数据的存储、管理和检索，探索和实践大模型场景。星环分布式向量数据库Hippo作为一款企业级云原生分布式向量数据库，基于分布式特性，可以对文档、图片、音视频等多源、海量数据转化后的多维向量进行统一存储和管理。通过多进程架构与GPU加速技术，充分发挥并行检索能力，实现毫秒级高性能，向量数据与全文数据在存储、计算上有很大的差别，单一的数据库架构很难同时高效支持这两种场景。星环科技向量数据库Hippo底层使用自研的分布式数据管理系统TDDMS，能够支持向量数据和全文数据统一存储低等问题，赋予大模型拥有“长期记忆”。因此，向量数据库的召回精度直接影响大模型输出结果的准确率。然而，在一些实践场景中，对于向量数据库本身而言，单一使用向量检索会产生召回准确率不高的问题：对噪声和冗余信息敏感：若向量数据库中存在大量的噪声和冗余信息，则检索的准确率会降低；对特征选择的依赖：在向量检索中，需要对数据进行特征提取和选择，若特征选择不当，则会影响检索的准确性；对查询语义理解的局限性：当

比较，大大提高了计算效率。向量存储数据库具有以下几优势：高速的存储和检索：向量存储数据库采用特殊的索引技术，可以实现高效低延迟的向量检索便于扩展：向量存储数据库具有良好的可扩展性，使得用户可以轻松地向量存储数据库是专门用于存储和管理向量数据的数据库，其主要的目的是为了高效的存储和检索大规模的向量数据。向量存储数据库常常用于应对图像、声音、文本和模型表示等大规模向量数据处理的场景，它提供了一种非常有效的方式来存储和索引向量数据。向量存储数据库采用特殊的索引结构和相似度匹配算法，可以速查询出相似的向量数据。采用向量数据库进行存储和查询，相比传统的关系型数据库，可以实现更有效率的向量检索和相似度扩展或缩小其存储容量。强大的相似度和聚类搜索功能：向量存储数据库能够处理相似向量和聚类等相关操作，增强了向量数据的应用价值在大量向量数据处理和大数据与AI应用领域中，向量存储数据库是一种非常便捷的工具对文档、图片、音视频等多源、海量数据转化后的多维向量进行统一存储和管理。通过多进程架构与GPU加速技术，充分发挥并行检索能力，实现毫秒级高性能数据检索，结合相似度检索等技术，帮助用户快速挖掘数据价值。与

向量数据库是专门用于高效地存储、查询和管理向量数据的数据库。而向量存储，作为向量数据库的核心组成部分，其设计和优化直接影响到数据库的性能和效率。数据结构向量数据库在存储向量数据时，通常会采用特定的数据结构。这些数据结构能够有效地组织和存储向量，以便于后续的查询和计算。平面数据结构：常见的平面数据结构包括数组和矩阵。数组是一种线性结构，适用于存储一系列有序的向量；而矩阵则是一种二维结构，适用于存储具有固定维度的向量集合。这些平面数据结构简单直观，但在处理大规模数据集时，可能会面临性能瓶颈。特定向量存储引擎：为了克服平面数据结构的局限性，一些向量数据库采用了特定的向量存储引擎。这些引擎针对向量数据的特性进行了优化，提供了更高效的存储和查询性能。它们通常采用更加复杂的数据结构，如稀疏矩阵、树形结构或图结构，以充分利用向量的稀疏性和空间分布特性。压缩技术在存储向量数据时，为了减少存储空间的需求和提高存储效率，一些向量数据库采用了压缩技术。压缩算法：这些算法通过消除数据中的冗余和重复信息，来减少向量数据的大小。常见的压缩算法包括有损压缩和无损压缩。有损压缩在压缩过程中会损失一定的精度，但通常

向量数据库是一种专门用来存储和查询向量的数据库。它主要应用于人工智能、机器学习、数据挖掘等领域，并能够完成基本的CRUD操作、元数据过滤、水平缩放等任务。相比于传统数据库，向量数据库还可以更快速地进行相似性搜索，这使得其在大规模高维向量数据存储和检索方面具有重要价值。现今，大量的AI模型都将非结构化的文本、图像等数据转化为高维向量，因此，高效的向量数据库将会变得越来越重要，市场需求也将随之增加。向量数据库的工作流程包括以下步骤:向量数据的存储:向量数据库采用基于向的存储结构，用于存储高维数值型数据，例如图像特征向量、文本词向量等。这种存储结构可以现快速查询和处理。向量索引:向量数据库利用算法更精确地呈现查询结果。向量数据库的主要特点和优势包括：高效的相似性搜索：向量数据库采用先进的索引结构和查询算法，能够在大规模的向量数据集中速查找到与给定查询向量相似的向量，从而实实时或近实时的搜索和推荐在多个计算节点上分布式存储和查询向量数据，能够应对大规模数据集和高并发查询的需求，从而保证高效的数据处理和查询。高级查询功能：向量数据库提供丰富的查询功能，如相似性搜索近似近邻查询、向量加权查询等

集。完整性的区别：向量数据库是一套完整的解决方案，而ANN算法库只是其中一部分。向量数据库在处理大规模数据上具有优势，而ANN算法库在加速多维向量近邻检索上表现优异。它们在不同的场景下各有优势，选择转化后的多维向量进行统一存储和管理。通过多进程架构与GPU加速技术，充分发挥并行检索能力，实现毫秒级高性能数据检索，结合相似度检索等技术，帮助用户快速挖掘数据价值。向量数据库与ANN算法库在设计和应用上有明显的区别。本质上的区别：向量数据库，是一套完整的非结构化数据解决方案，具有云原生、多租户和可扩展性等特点。而ANN算法库，主要用于构建向量索引（一种数据结构），从而加速多维向量的近邻检索。这些算法库可以轻松应对小型数据集，但当数据集和用户数量不断增长时，它们无法处理大规模数据。处理规模的区别：向量数据库可以处理大规模数据，而ANN算法库只能处理小型的数据哪种方式取决于您的具体需求。星环分布式向量数据库-TranswarpHippo星环分布式向量数据库Hippo作为一款企业级云原生分布式向量数据库，基于分布式特性，可以对文档、图片、音视频等多源、海量数据

等技术来利用集群的计算资源。向量数据库的优势在于它能够高效地处理大规模向量数据，同时具备强大的索引和查询功能。它适用于很多实际场景，如人脸识别、图像搜索、推荐系统等。在人脸识别中，向量数据库可以存储向量数据库（Vectordatabase）是一种用于存储和操作向量数据的数据库管理系统。专门设计用于高效存储和处理大规模向量数据，并提供了强大的向量索引和查询功能。向量数据库的基本概念是将向量数据大量的人脸特征向量，并通过相似度查询找到匹配的人脸。在图搜索中，向量数据库可以存储图像特征向量，并通过相似度查询找到具有相似内容的图像。在推荐系统中，向量数据库可以存储用户兴趣向量和物品特征向量，并通过相似度查询找到与用户兴趣相匹配的物品。视为数据库中的基本单元。每个向量被视为一个独立的实体，并保存在数据库中的向量表中。向量由多个维度组成，每个维度对应一个数值，表达了向量在该维度上的特征。例如，一个二维向量可以表示为(x,y)的形式，其中x和y分别是向量的两个维度。在向量数据库中，主要有两个关键操作：插入（Insert）和查询Query）。插入操作：通过插入操作将新的向量加入数据库中。通常，插入操作会伴随着向量的标识符，以便在之后的

快速上手本章节将引导您快速熟悉StellarDB，并为您初步介绍如何通过KGExplorer和beeline客户端操作StellarDB。其中，"StellarDB初探"一节通过构建一张人物关系图，从零介绍如何在StellarDB进行基本操作；"StellarDB进阶"一节为您提供了内置于StellarDB的《哈利·波特》人物关系图，帮助您进一步探索StellarDB。StellarDB初探使用KGExplorer构建图从Manager页面进入KGExplorer页面。若KGExplorer开启了单点登录，会自动跳转Federation登录页面，按如图方式登录：KGExplorer用戶开启方法以及详细使用说明请查看章节《KGExplorer使用文档》。点击登录后进入KGExplorer主页面。我们首先需要构建图名为"hello_world"的图。在主页面右上角点击创建图按钮开始图谱schema的构建。按照引导填写图基本信息后点击确定进入构建页面。在画布中，我们为"hello_world"图创建Boy和Girl两种类型的点，两种类型的点均包含name、salary、age、single四...

为什么引入动态图模型？在实际应用过程中很容易可以发现，图数据在很多图数据的应用场景中并不是静态不变的，而是动态演进的，这些场景中包括例如金融反欺诈场景中金融交易网络随着时间的推进而发生的交易变化、交易社群变化等；又比如社交网络中新增用户、用户关注或者取消关注、更改账户信息等。将图数据变化的历史记录下来，不仅可以用于历史数据规律的总结，还可以利用动态图数据进行动态图神经网络相关技术的研究，从而进一步挖掘数据中潜在的数据价值和更加灵活高效的业务场景，譬如预测某一个时刻某一事件是否会发生。动态图模型的动态变化图数据的动态变化主要分为两类，一类是节点或边的属性的值的变化；另一类变化是子图（结构）的变化，如新增/删除点边。这两种图数据的动态变化可以单独发生，也可以同时发生。从图数据的属性变化角度来看，StellarDB5.0.1动态图模型可以记录图中节点或者边属性的所有历史版本（而非新数据覆盖旧数据）。在实际数据开发使用中，还可以结合诸如柱状图、趋势图等对历史数据进行可视化，更加直观、更加适合业务使用。从图数据的子图（结构）的角度来看，StellarDB5.0.1动态图模型还可以返回不同时间子图...

StellarDB5.0.1版本对图算法场景进行了大规模改进和提升，内置算法性能得到较大提升。在语法方面，StellarDB5.0.1的内置图算法对于返回的节点，会直接以节点类型返回。因此可以直接使用uid(vertex)访问节点的uid，而不再需要node_rk_to_uid函数进行uid的转换。可以参考PageRank等函数。另外，对于图算法返回的节点，我们也可以灵活的访问其其他属性作为返回值。图计算简介StellarDB的图计算使用TEoC语句调用相应图算法。算法的输入数据为图的点、边数据。当前版本中图计算支持结果返回、结果导出和结果写回。在使用图算法时，使用configcrux.execution.modeanalysis;语句切换到分析模式下使用图算法语句。图数据视图StellarDB支持创建一个可被持久化的视图，用于加速图算法执行过程。创建视图创建视图的语法如下所示：createquerytemporarygraphviewGRAPH_VIEW_NAMEas(v)[e]withGRAPH_ALGO(@GRAPH_VIEW_NAME,VIEW_STORE_PATH,CONFI...

通过beeline或JDBC时，设置参数configquery.langcypher;将查询语言切换为TEoC模式。根据使用场景选择查询模式（默认为immediate模式）immediate模式通常用于并发及短查询场景，查询结果和中间结果通常不超过百万。通过configcrux.execution.modeimmediate;切换。analysis模式通常用于分析场景，创建图、插入数据以及图算法相关的语句必须在该模式下进行。通过configcrux.execution.modeanalysis;切换。

StellarDB支持用户添加自定义函数，添加后可在cypher语句中使用。自定义函数实现自定义函数通过java/scala语言开发，可继承实现两种基类，编译成jar包，通过指定命令加载到StellarDB。需要实现的基类为如下两种，可自行选择继承合适的基类：继承UDF基类继承GenericUDF基类。继承UDF基类该类实现简单，功能较为单一。支持Quark的基本类型、数组和Map。适合实现简单的逻辑。继承org.apache.hadoop.hive.ql.exec.UDF类继承UDF类必须实现evaluate方法且返回值类型不能为void，支持定义多个evaluate方法不同参数列表用于处理不同类型数据。@Description(name="my_plus",value="my_plus()-ifstring,doconcat;ifinteger,doplus",extended="Example:\n>selectmy_plus('a','b');\n>ab\n>selectmy_plus(3,5);\n>8")/***实现UDF函数，若字符串执行拼接，in...

3.1在TDH平台安装StellarDB3.2StellarDB安装校验3.3StellarDB低版本升级至StellarDB5.0.1

类型表达式类型例子十进制型整数10,-213十进制小数1.25,3.604E-14,-2.31十进制型长整数199345843592l,-12381543923L任意精度的有符号十进制数123bd,123.31BD八进制整数(0开头)084,-096字符串"星环",'信息科技'布尔类型true,false,TRUE,FALSE数组类型[1，2，3],["星环","信息科技"],[decimal(10.2,3,1),decimal(100.2,3,2)],[localdatetime("2021-01-18T09:50:12.627"),localdatetime("2021-11-18T03:50:12.113")]时间类型localdatetime("2021-01-18T09:50:12.627")Decimal类型decimal(10.2,3,1)地理空间类型point(20.5,30.5),point(-20.5,-30.5)时序类型{localdatetime("2023-01-01T15:16:17")::"nice"},{localdatetime("1997-01-01...

本章节的示例语句均可在示例图my_graph中执行，执行前请先创建示例图my_graph，建图语句如下:creategraphmy_graphwithschema(:Boy{namestring,salarydouble,ageint,singleboolean,birthdaylocaldatetime,reservelong,ratedecimal(38,10),hobbysarray<string>,geoPointgeo<double>})(:Girl{namestring,salarydouble,ageint,singleboolean,birthdaylocaldatetime,reservelong,ratedecimal(38,10),hobbysarray<string>,geoPointgeo<double>})[:Friend{sinceint}][:Likes{sinceint}]graphproperties:{`graph.shard.number`:3,`graph.replication.number`:...

声明简介声明是指为特定数据类型的变量分配一定的存储空间，并命名该变量以便引用它；必须先声明变量，然后才能引用它；对声明的变量可以进行赋值操作来改变它的值；声明的变量其作用域是Session级别的。变量声明使用decl关键字声明一个变量必须为变量指定名称和类型，且名称不能与已有的变量名相同。声明但未赋值的变量的默认值为null。变量名声明对大小写敏感。变量声明的语句遵循如下格式:DECL[<variable_name>:<variable_type>];使用方法示例如下表所示：语句说明declx:int;声明一个类型为int的变量xdecls:string;声明一个类型为string的变量sdecll:long;声明一个类型为long的变量ldeclb:boolean;声明一个类型为boolean的变量bdecld:double;声明一个类型为double的变量ddecltime:localdatetime;声明一个类型为localdatetime的变量timedecld1:decimal;声明一个类型为decimal的变量d1decllist1:list[int...

索引是数据库中某些数据的冗余副本，目的是使查询性能更优。作为代价，数据库需要额外存储空间和较慢写入速度，因此决定哪些字段需要索引是一项重要且不易的任务。（新）StellarDB5.0.1版本不再对旧版本使用的manipulatecreate_index和manipulatedelete_index语法进行支持，在新版本中统一使用createindex和dropindex进行索引的创建和删除新增索引CREATEINDEX[IFNOTEXISTS]FOR(LabelName)ON[f1,f2,...];CREATEINDEX[IFNOTEXISTS]FOR[LabelName]ON[f1,f2,...];不支持对TIME_SERIES类型的属性创建索引默认情况下,对同一个Label的某个属性多次创建索引会报错;但如果带有IFNOTEXISTS,则不会抛出任何错误包裹点边LabelName的括号不同，注意区分示例1.在点labelperson的属性name和age上建立索引CREATEINDEXIFNOTEXISTSFOR(person)ON[name,age];示例2.在边labelask...