存储视频/向量映射的最佳格式取决于效率、可扩展性和易访问性的平衡。对于大多数用例，结合结构化文件格式（如 Protocol Buffers 或 Parquet）与数据库系统（如 SQL 或向量数据库）效果良好。这些格式允许您存储元数据（时间戳、视频 ID）以及向量嵌入，同时支持快速检索和更新。关键在于构建数据结构，最大限度地减少冗余并实现高效查询，尤其是在处理大型数据集时。
对于结构化文件存储，Protocol Buffers (Protobuf) 是一个不错的选择，因为它能有效地将结构化数据序列化为紧凑的二进制格式。例如，您可以定义一个 Protobuf 消息，包含 video_id、start_time、end_time 等字段，以及一个用于向量的重复 float 字段。Parquet 是另一个不错的选择，特别是如果您使用 Apache Spark 等批处理框架。Parquet 文件可以将数据组织成列，例如 frame_number、timestamp 和 vector_data，利用列式存储来更快地查询特定属性。这两种格式都避免了 JSON 的开销（在大数据集中，重复的键可能会导致 JSON 变得臃肿），同时保持了模式的一致性。
使用数据库时，可以考虑混合方法。像 PostgreSQL 这样的关系型数据库可以将元数据存储在带有视频段列的表中，并使用外键链接到存储为 BLOB 或专用向量列中的向量嵌入。对于需要相似性搜索的应用（例如，查找向量与查询最接近的视频），像 Milvus 或 Pinecone 这样的专业向量数据库为此任务进行了优化。这些系统使用 HNSW（分层可导航小世界）等算法对向量进行索引，以实现快速的最近邻查找。例如，Pinecone 允许您将每个向量与包含视频元数据的 JSON Payload 相关联，从而使检索变得简单明了。如果存储成本是考虑因素，压缩向量（例如使用标量量化）或按视频 ID 分区数据可以减少开销，同时保持性能。