向量数据库（DBs）通过将文本转换为数值表示（向量）并测量它们的相似性来比较保密协议（NDA）或合同。此过程首先使用 BERT 或 sentence transformers 等机器学习模型对每份文档的文本进行嵌入，这些模型能够捕获语义含义。这些嵌入存储在向量数据库中，数据库会组织它们以便高效检索。在比较文档时，数据库会计算向量之间的距离——距离越近的向量表示内容越相似。例如，通过查询向量空间中的最近邻，可以将一份保密协议中的保密条款与其它合同中的类似条款进行比较。
实际应用中，通常在生成嵌入之前将文档分块（例如，按条款、段落）。这允许进行更精细的比较，例如识别一份合同中的终止条款是否与其他合同的条款一致。开发者可以使用余弦相似度或欧氏距离来量化相似性。例如，查询可以检索与目标文档最相似的前五份保密协议，突出显示赔偿或知识产权等部分。FAISS、Pinecone 或 Chroma 等工具可以高效地处理存储和搜索，可扩展到数千份文档。预处理步骤，例如移除样板文本或标准化术语（例如，将“甲方”替换为“公司”），可以通过减少嵌入中的噪声来提高准确性。
主要考虑因素包括选择经过法律文本训练的嵌入模型，以提高领域相关性，以及调整分块策略，以平衡上下文和性能。例如，将合同分割成 200 个词的块可以在不过载模型的情况下保留特定条款的上下文。开发者还应与领域专家一起验证结果，因为语义相似性并不能保证法律上的等同性。一个实际的工作流程可能包括将保密协议库摄取到向量数据库中，然后构建一个 API 来比较新合同与现有合同，标记高相似度的条款供审查。这种方法减少了人工工作，并有助于识别模式，例如协议中不常见的责任条款。