在人工智能与自然语言处理（NLP）的广阔领域中，Embedding向量作为一种高效且强大的数据表示方式，正逐步成为连接现实世界与机器理解之间的桥梁。这些向量不仅深刻改变了我们处理文本、图像乃至更广泛类型数据的方式，还极大地推动了信息检索、推荐系统、知识图谱等多个领域的进步。本文旨在全面回顾Embedding向量的基本概念，深入探讨其三种主要类型——传统稀疏向量、稠密向量及“学习到的”稀疏向量的特性与应用，并简要介绍如何利用现代向量数据库如Milvus等实现高效的向量搜索与混合搜索策略。

一、Embedding向量的基本概念

Embedding向量，简而言之，是将现实世界中的对象、概念或实体（Entity）映射到高维向量空间中的数值表示。这一过程允许我们利用数学和计算工具来分析和处理这些原本抽象或难以量化的实体。每个Entity通过其对应的向量来表征，这些向量通常具有固定的长度，且每个维度都蕴含着该Entity的某一特定属性或特征信息。这种表示方式不仅保留了实体间的语义关系，还便于进行高效的计算与推理。

二、Embedding向量的类型与特性

2.1 传统稀疏向量

传统稀疏向量以其高维且大部分维度值为零的特性，在早期的文本处理和信息检索任务中占据重要地位。这类向量通常基于词袋模型（Bag of Words）或TF-IDF&#