非结构化数据 - 专区 - OSCHINA - 中文开源技术交流社区

非结构化数据

非结构化数据是指没有预定义数据模型或没有以预定义方式组织的信息，随着互联网不断发展，电子邮件、论文、物联网传感数据、社交媒体照片、蛋白质分子结构等非结构化数据已经变得越来越普遍。《计算机世界》杂志指出，非结构化信息可能占所有数据的70-80%以上。

关注 99.8W

推荐

项目

加载中

LFAPAC 发表了博客

Milvus x KubeSphere: 如何一键部署火爆全球的开源向量数据库

✏️ 作者介绍：Mia Li，Zilliz 数据工程师本文将介绍如何使用 KubeSphere 容器平台可视化部署 Milvus 向量数据库以及 Milvus 在云原生场景下的基本使用。下面，让我们先来简单了解一下 Milvus 和 KubeSphere 吧！ Milvus 是什么？ Milvus 是一款开源的向量数据库，支持针对 TB 级向量的增删改操作和近实时查询，具有高度灵活、稳定可靠以及高速查询等特点。Milvus 集成 FAISS、NMSLIB、Annoy 等常见的向量索引库，提供一整套简...

评论 0 我来评论收起评论

收起

LFAPAC 发表了博客

Milvus 2.0 新版本一览：重新定义向量数据库

✏️ 作者：栾小凡， Zilliz 研发总监 2018 年 10 月，我们写下了向量数据库 Milvus 的第一行代码；在历经了 29 个月、19 个版本的迭代与全球 1000 家用户的实践验证后，终于在 2021 年 3月迎来了 Milvus 1.0 版本。Milvus 解决了对向量数据进行增删改查（CRUD）操作和数据持久化的问题，但随着新需求的出现，更多问题也逐渐浮现出来。本文旨在总结过去三年的经验，聊聊 Milvus 2.0 期待解决的问题，以及为什么 Milvus 2.0 是解...

评论 0 我来评论收起评论

收起

LFAPAC 发表了博客

Zilliz 合伙人、系统架构师郭人通出席GOTC 2021专题论坛，谈向量数据库的开发挑战

AI 正在引领人类的下一次工业革命，成为支撑数字经济的基本工具组件。 7月9-10日，由开放原子开源基金会与 Linux 基金会联合开源中国社区共同发起的首届“GOTC 全球开源技术峰会”在上海世博中心举行，Zilliz 合伙人、系统架构师郭人通受邀出席“AI、大数据与数字经济专题论坛”，与 LF AI & Data 基金会执行董事 Ibrahim Haddad、中兴通讯 AI 研发总工韩炳涛、英特尔 OpenVINO 边缘人工智能软件首席布道师 Raymond Lo 等同场共...

评论 0 我来评论收起评论

收起

LFAPAC 发表了博客

「新数据」太棘手，向量数据库来帮忙！《新程序员》刊登 Zilliz 长文解读

中国 KubeCon + CloudNativeCon + Open Source Summit 虚拟大会 12 月 9 日至 10 日 https://www.lfasiallc.com/kubecon-cloudnativecon-open-source-summit-china/ 诚意邀您成为赞助商新数据库时代，数据库领域有哪些新技术、新应用？谁将改变数据库的游戏规则？酷爱阅读科技杂志的 Z 宝，刚刚收到了刊登了 Zilliz 长篇署名文章的《新程序员》！顺手一翻，Z 宝不禁感叹 CSDN 策划出品的这期杂志简直是众星云集：2020 年图灵...

评论 0 我来评论收起评论

收起

osc_yyhakgol 发表了博客

PCL近邻搜索相关的类

首先PCL定义了搜索的基类pcl::search::Search<PointInT> template<typename PointT> class Search 其子类包括：KD树，八叉树，FLANN快速搜索，暴力搜索（brute force），有序点云搜索。 The pcl_search library provides methods for searching for nearest neighbors using different data structures, including: kd-trees (via libpcl_kdtree); octrees (via libpcl_octree); brute force; specialized search for org...

评论 0 我来评论收起评论

收起

osc_ns98eqmw 发表了博客

数组索引的kdtree建立及简明快速的k近邻搜索方法

1. kdtree概念 kd树（k-dimensional树的简称），是一种分割k维数据空间的数据结构，主要应用于多维空间关键数据的搜索，如范围搜索和最近邻搜索。如下图所示，在既定的分割维度上，每一个根节点的值均大于其左子树，并小于其右子树。这样的二叉树，对于搜索某个点的最临近点或k近邻点，是十分高效快速的。 2. 建立kdtree 建立kdtree，主要有两步操作：选择合适的分割维度，选择中值节点作为分割节点。分割维度的选择遵循的原则...

评论 0 我来评论收起评论