企业官网建设流程全解析

Spring AI Embedding 实战：从语义搜索到商品推荐系统

关键词：Spring AI / Embedding / 向量数据库 / PGVector / 推荐系统 / RAG

一、什么是 Spring AI Embedding

Spring AI 中的 Embedding 技术核心在于将文本、图像等非结构化数据转化为高维向量（即 Embedding）。这些向量能够捕捉数据深层的语义信息。通过计算向量间的相似度，系统就能判断出两段文本在意义上的远近，从而实现语义搜索、智能推荐等高级功能。

Spring AI 通过一套抽象的 EmbeddingModel API，让你能够无缝对接各种底层模型（如 OpenAI、Ollama、Cohere 等），而无需大幅改动业务代码。

二、技术原理：从文本到向量

1. 向量化：一个嵌入模型将输入的文本转换成一个由浮点数构成的定长数组（如 768 / 1536 维）。
2. 语义捕获：模型在训练中学习让语义相近的内容在向量空间中距离更近。
3. Spring AI 抽象层：通过 EmbeddingRequest / EmbeddingResponse 解耦业务与模型实现。

三、相似度算法

Spring AI 中这些计算通常由 VectorStore 内部完成。

以下是为电商场景设计的端到端实现方案。

四、 🎯 推荐系统架构设计：召回与排序

与客服知识库的检索架构不同，商品推荐通常采用经典的 “召回 -> 排序” 两级漏斗。Spring AI Embedding 主要用于召回层，负责从百万级商品库中快速筛选出数百个相关候选。

🛠️ 核心实现步骤

我们以实现“基于用户向量”和“基于商品向量”的两种核心召回策略为例。

第一步：环境与数据建模

1. 依赖配置 (pom.xml):

   <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai-spring-boot-starter</artifactId> </dependency> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-pgvector-store-spring-boot-starter</artifactId> </dependency> <!-- 可选，用于缓存用户向量提升性能 --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-data-redis</artifactId> </dependency>

2. 领域模型：定义关键实体。

   @Entity @Data public class Product { @Id private Long id; private String title; private String description; private String category; private BigDecimal price; // 商品特征向量 (可存储为 float[] 或独立向量表)