在 Python 中使用 Faiss 的 `IndexFlatIP` 来使相似度的值在 0 至 1 区间，您可以通过对计算得到的相似度结果进行归一化处理来实现。以下是一个示例代码： ```python import faiss import numpy as np # 假设您有向量数据 vectors vectors = np.random.rand(100, 128) # 创建 IndexFlatIP 索引 index = faiss.IndexFlatIP(128) # 向索引添加向量 index.add(vectors) # 进行搜索并获取相似度得分 D, I = index.search(vectors, 10) # 对相似度得分进行归一化处理 D_normalized = D / np.max(D) # 确保 D 中的值在 0 至 1 区间 print(D_normalized) ``` 额外需要注意的逻辑点： 1. 确保输入的向量数据格式正确。 2. 对于归一化方法的选择，要根据具体数据分布和需求来决定。 3. 在处理大规模数据时，要注意内存使用和性能优化。 [2025-04-15 17:46:30 | AI写代码神器 | 248点数解答]