嵌入通过将原始数据转换为结构化的、低维度的向量表示来改进近似最近邻 (ANN) 搜索，从而使相似性比较更加高效。当文本、图像或用户行为等数据被转换为嵌入（连续空间中的密集向量）时，语义上相似的项目会更紧密地定位在一起。这种结构允许 ANN 算法使用余弦相似度或欧几里得距离等距离度量快速识别“接近”查询向量的候选对象。如果没有嵌入，原始数据（例如，作为 one-hot 编码的文本或作为像素数组的图像）通常过于稀疏或高维，无法进行直接比较，从而导致搜索速度慢或效率低下。
嵌入能够实现高效的数据索引和分区，这对于 ANN 方法至关重要。HNSW（分层可导航小世界）、LSH（局部敏感哈希）或基于树的方法等算法依赖于向量邻近性来构建搜索友好的结构。例如，HNSW 创建多层图，其中附近的向量相互连接，从而可以快速遍历到最近邻。嵌入减少了数据的维度（例如，将 10,000 维的 one-hot 文本向量转换为 300 维的嵌入），从而简化了索引过程。较低维度的向量还减轻了“维度诅咒”，在高维空间中，距离度量意义较小。这种降维确保了索引方法可以有效地将相似项目分组，从而在许多情况下将搜索时间从不切实际的 O(n) 复杂度降低到接近 O(log n)。
此外，嵌入捕获了原始数据可能遗漏的语义关系。例如，像 Word2Vec 这样的词嵌入将“国王”和“女王”放置在向量空间中相近的位置，反映了它们的语义相似性。在图像搜索中，来自 CNN 的嵌入可能会将猫的图片聚集在一起，即使它们的像素值不同。ANN 算法利用这种结构来返回与人类直觉一致的结果。例如，使用用户交互嵌入的推荐系统可以快速找到具有相似偏好的用户，即使有数百万条条目。如果没有嵌入，系统可能依赖于精确匹配或手工制作的特征，这些特征的灵活性较差。通过将数据转换为有意义的向量空间，嵌入使 ANN 在实际应用中既实用又可扩展。