如何在Redis Stack中获取两个指定索引项的向量相似度分数？

可以获取，有两种可行的方法，具体如下：

方法一：取出向量后本地计算 #

Redis本身没有直接计算两个存储向量相似度的命令，你可以先将两个对象的向量从Redis中取出，再用Python本地计算余弦相似度。

步骤示例： #

1. 获取两个对象的二进制向量：

# 替换为你的两个对象的实际key
vector1 = redis.hget("products:23", "embedding")
vector2 = redis.hget("services:45", "embedding")

2. 将二进制向量解码为浮点数组：

import numpy as np

# 解码FLOAT32类型的二进制向量
vec1 = np.frombuffer(vector1, dtype=np.float32)
vec2 = np.frombuffer(vector2, dtype=np.float32)

3. 计算余弦相似度：

cosine_similarity = np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))

方法二：通过Redis FT查询获取分数 #

你可以用其中一个对象的向量作为查询条件，同时过滤另一个对象的ID，从查询结果中提取相似度相关分数。

步骤示例： #

1. 获取用于查询的向量：

# 取出第一个对象的向量作为查询向量
query_vector = redis.hget("products:23", "embedding")

2. 构造查询语句（以查询services索引中ID为"45"的对象为例）：

# 用@id过滤目标对象，同时指定KNN查询匹配向量
query = '@id:{45} => [KNN 1 @embedding $vector]'

3. 执行查询并转换为相似度分数：

results = redis.ft("services").search(query, query_params={"vector": query_vector})

if results.docs:
    # 注意：若索引使用COSINE距离度量，返回的score是余弦距离值，相似度为1 - score
    distance_score = results.docs[0].embedding_score
    similarity_score = 1 - distance_score
    print(f"相似度分数: {similarity_score}")

说明：Redis Stack中，当向量字段设置DISTANCE_METRIC: "COSINE"时，KNN查询返回的embedding_score是余弦距离（取值范围0-2），因此需要用1 - 距离值得到余弦相似度（取值范围-1到1，越接近1相似度越高）。

内容的提问来源于stack exchange，提问作者snewcomer