C002｜文本嵌入的效果為何在Obsidian中很不理想？

「嵌入 Embedding」這個概念，

是指將「資料 Data」轉換為「向量 Vector」格式的過程。

資料可以是影片的樣本，

可以是音訊的樣本，

可以是圖片的樣本，

可以是文字的樣本。

不同類型的樣本，

可以透過相對應的預訓練神經網路模型，

將資料樣本轉換為「嵌入向量 Embedding Vector」。

嵌入的目的，

是將這些不是數字的資料(影片圖片音訊文字)，

轉換成數字的向量，

這樣神經網路就可以處理，

跑各種最優化演算法了！

附帶一提，

在Obsidian裡面有個外掛叫做「Smart Connections [1]」，

可以透過應用「嵌入」的技術，

來幫助你看到你的筆記之間的關係[2]。

我之前有嘗試安裝這個外掛，

實際使用時，

會經過一段很長的時間，

來將我Obsidian庫中的筆記做嵌入。

根據Smart Connections開法者的說明[2]，

這個外掛會將我們存放在Obsidian的筆記，

轉化為1536維的向量！

我猜轉為向量後，

大概就是用基本的Euclidean Distance判斷筆記之間的遠近。

在我的使用經驗上，

他找出來的相近的筆記，

相近的都是字面上，

而不是字面下的深刻含義。

這對做筆記其實幫助很有限。

Reference

[1]

[2]