# Similarity Metrics

---

## Floating point embeddings(浮點數)

1. Euclidean distance (L2)
* 輾轉相除法：是求最大公因數的算法
* 
* 是最常用的距離度量，當資料連續時非常有用。
> [輾轉相除法-維基百科](https://zh.wikipedia.org/zh-tw/%E8%BC%BE%E8%BD%89%E7%9B%B8%E9%99%A4%E6%B3%95)
2. Inner product (IP)
* 內積
* 
* 如果您需要比較「非標準化資料』或「關心幅度和角度」時，使用內積會更有用
3. Cosine Similarity
* 餘弦相似度始終在區間[-1, 1]內。
* 
* 兩個比例向量的餘弦相似度為1，兩個正交向量的相似度為0，兩個相反的向量的相似度為-1。餘弦越大，兩個向量之間的角度越小，表示這兩個向量彼此更相似。
4. Search Parameters
* Metric Type：為資料建置時就已設定好，當搜尋時無法修改。(有L2、IP、Cosine 可以選擇)
* nprobe：
Milvus 中搜索過程中用於查找最近鄰居的參數。表示在索引中進行查找的時候，Milvus 將同時搜索的個數。增加 nprobe 可以提高搜索的準確性，但同時會增加搜索的時間和計算成本。
* radius：
在搜索過程中，radius 表示搜索區域的半徑範圍，系統將返回落在這個半徑範圍內的向量。
* range filter：
是一種過濾機制，用於過濾出符合特定範圍條件的向量。當進行搜索時，可以使用 range filter 來指定搜索結果中所需向量的範圍。這有助於縮小搜索範圍，提高搜索效率。
* round：
四捨五入或調整計算的數值。

---

## Binary embeddings(二進位)

* 目前未使用

---

> [Similarity Metrics 介紹](https://milvus.io/docs/metric.md#floating

---

# LOG分群，分析

1. 如何將LOG 取特徵值。
2. pnrLocator、operation、

---
# EAI 與 AORS CORE API Response 比較

1. 等候AORS CORE API規格與EAI拉齊後，需要對2個API的Response 進行比較，比對出差異性。
---