服装和服饰零售商使用向量搜索来改进商品发现、个性化和库存管理。向量搜索的工作原理是将图像、文本或用户行为等数据转换为数值表示（向量），并查找具有相似向量模式的商品。这使得零售商即使在没有精确关键词匹配的情况下，也能高效地将用户查询或偏好与商品匹配。例如，客户可以上传一件他们喜欢的连衣裙照片，而向量搜索可以通过比较机器学习模型生成的图像嵌入，识别出零售商商品目录中视觉上相似的商品。
一个关键应用是视觉商品搜索。ASOS 或 Farfetch 等零售商使用向量搜索引擎允许用户上传图像并查找相似商品。在时尚图像上训练的卷积神经网络 (CNN) 将输入图像转换为向量。然后系统搜索预先计算的向量数据库（例如，使用 FAISS 或 Elasticsearch 的向量功能），查找与查询向量距离最小的商品。这种方法可以处理光线、角度或风格的变化，从而实现精确匹配。开发者可以通过集成 PyTorch 或 TensorFlow 模型来生成嵌入，并使用近似最近邻 (ANN) 库来扩展跨数百万件商品的搜索。
另一个用例是个性化推荐。Stitch Fix 或 Zalando 等零售商应用向量搜索将用户行为（例如，点击、购买）和商品属性映射到共享的向量空间中。协同过滤或基于序列的模型（例如，GRU）创建用户和商品嵌入。当用户与平台互动时，他们的嵌入会与商品向量进行比较，以推荐在颜色、风格或品牌方面具有相似模式的商品。例如，经常查看极简主义运动鞋的用户可能会看到类似鞋类的推荐，即使这些商品没有重叠的标签。开发者可以通过使用 triplet loss 或 contrastive learning 微调嵌入来优化这一点，以便更好地捕捉风格细微差别。
最后，向量搜索有助于库存管理。拥有大量商品目录的零售商使用它来检测近乎重复的商品，或根据视觉或文本相似性对商品进行分组。例如，仓库系统可以将商品图片和描述处理成向量，以识别冗余 SKU（例如，由于标签不一致，同一件衬衫被列为“海军蓝”和“蓝色”）。像 sentence-transformers 或 CLIP 这样的工具可以从文本和图像生成多模态嵌入，实现跨模态匹配。这减少了目录混乱，并提高了搜索准确性。开发者可以部署批量处理管道，定期对向量进行聚类，使用 HDBSCAN 或 k-means 等算法自动标记重复商品或对商品进行分类。