為搜尋結果排名

瞭解如何使用 Vertex AI 排序模型 (例如 semantic-ranker-default-003) 排序及重新排序應用程式的搜尋結果。您可以使用 ai.rank() 函式，根據文件與查詢的關聯性為文件評分，並重新排序向量搜尋結果，以改善查詢順序。

Vertex AI 排序 API 會接收文件清單，並根據文件與指定查詢 (搜尋字串) 的相關程度，對這些文件進行排序。使用 ai.rank() 函式時，系統會傳回分數，指出文件回答特定查詢的程度。

如要使用本頁的說明，您必須瞭解 PostgreSQL 適用的 AlloyDB，並熟悉生成式 AI 概念。

AlloyDB 會保留並建立 ai 結構定義。

事前準備

請先完成下列事項，再對搜尋結果進行排序：

啟用 Discovery Engine API

主控台

  1. 啟用 API
  2. 在「確認專案」步驟中，按一下「下一步」，確認要變更的專案名稱。
  3. 在「啟用 API」步驟中，按一下「啟用」，啟用 Discovery Engine API。如果先前已啟用這個 API，這裡就不會列出。

gcloud

如要使用排名模型，必須啟用 Discovery Engine API。
將 PROJECT_ID 替換為您的專案 ID，並將 Google Cloud PROJECT_NUMBER 替換為對應的專案編號。

    # Enable Discovery Engine API
    gcloud services enable discoveryengine.googleapis.com --project=PROJECT_ID
    gcloud projects add-iam-policy-binding PROJECT_ID \
    --member="serviceAccount:service-PROJECT_NUMBER@gcp-sa-alloydb.iam.gserviceaccount.com" \
    --role="roles/discoveryengine.viewer"

Vertex AI 模型不需要註冊模型，即可用於排序。 您可以將 Vertex AI 模型名稱做為 model_id，如下例所示。

    SELECT index, score
    FROM
      ai.rank(
        model_id => 'semantic-ranker-default-003',
        search_string => 'Affordable family-friendly vacation spots in Southeast Asia?',
        documents =>
    ARRAY[
      'Luxury resorts in South Korea',
      'Family vacation packages for Vietnam: Ha Long Bay and Hoi An',
      'Budget-friendly beaches in Thailand perfect for families',
      'A backpacker guide to solo travel in India'])

語意排序器常見的用途是重新排序向量搜尋傳回的結果，以便更妥善地排序查詢。下列範例說明如何針對這個用途使用語意排序模型。這個範例會使用向量搜尋，擷取查詢 personal fitness equipment 的初始結果集。然後重新排序，傳回前五個結果。

    WITH initial_ranking AS (
      SELECT id, description, ROW_NUMBER() OVER () AS ref_number
      FROM product
      ORDER BY
        embedding <=> google_ml.embedding(
          'gemini-embedding-001', 'personal fitness equipment')::vector
      LIMIT 10
    ), reranked_results AS (
      SELECT index, score
      FROM ai.rank(
          model_id => 'semantic-ranker-default-003',
          search_string => 'personal fitness equipment',
          documents => (SELECT ARRAY_AGG(description ORDER BY ref_number) FROM initial_ranking),
          top_n => 5)
    )
    SELECT id, description
    FROM initial_ranking, reranked_results
    WHERE initial_ranking.ref_number = reranked_results.index
    ORDER BY reranked_results.score DESC;

如需可用模型和用途清單，請參閱「支援的型號」。

與 Vertex AI 整合並安裝擴充功能

  1. 與 Vertex AI 整合。
  2. 確認已安裝最新版 google_ml_integration。

    1. 如要檢查已安裝的版本，請執行下列指令：

              SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
        extversion
        ------------
        1.4.3
        (1 row)

    2. 如果未安裝擴充功能，或安裝的版本低於 1.4.3，請執行下列指令更新擴充功能：

              CREATE EXTENSION IF NOT EXISTS google_ml_integration;
        ALTER EXTENSION google_ml_integration UPDATE;

      如果您在執行上述指令時遇到問題，或執行上述指令後，擴充功能未更新至 1.4.3 版，請與 AlloyDB 支援團隊聯絡。

    3. 確認版本為最新後，請執行 upgrade_to_preview_version 程序，安裝預覽功能：

              CALL google_ml.upgrade_to_preview_version();
        SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
        extversion
        ------------
        1.4.4
        (1 row)

必要的角色

如要取得使用 Discovery Engine 排序模型所需的權限，請要求管理員在 your project 上授予您 Discovery Engine 檢視者 (roles/discoveryengine.viewer) Identity and Access Management (IAM) 角色。如要進一步瞭解如何授予角色，請參閱「管理專案、資料夾和機構的存取權」一文。

您或許還可透過自訂角色或其他預先定義的角色取得必要權限。

搜尋結果排名

以下 SQL 查詢顯示如何為搜尋結果排名：

SELECT
  ai.rank(
    model_id => 'MODEL_ID',
    search_string => 'SEARCH_STRING',
    documents => ARRAY['DOCUMENT_1', 'DOCUMENT_2', 'DOCUMENT_3']);

更改下列內容：

參數 說明
MODEL_ID 您定義的模型端點專屬 ID。
SEARCH_STRING 用來排序記錄的搜尋字串。
DOCUMENTS 用於識別記錄的專屬字串。

如需支援的 Vertex AI 排序模型清單，請參閱「支援的模型」。

範例

如要使用 Vertex AI 排序模型為搜尋結果排序，請執行下列查詢：

SELECT index, score
FROM
  ai.rank(
    model_id => 'semantic-ranker-default-003',
    search_string => 'AlloyDB is a PostgreSQL compatible AI database that is ready for production.',
    documents =>
      ARRAY[
        'Alloys are made from combination of metals',
        'The best enterprise-ready PostgreSQL database.',
        'You can feel the heat in Alloy apartments.']);

回覆內容是表格，顯示每份文件和根據與搜尋查詢相關性得出的分數。以下是範例回應：

 index | score
-------+------------
     2 |  0.33
     1 |  0.28
     3 |  0.16
(3 rows)

假設有一個 AlloyDB 資料庫，其中包含轉換為嵌入內容的評論說明清單。下列程式碼片段範例說明如何使用排名模型，根據產品評論說明與查詢的語意相似度，擷取排名最高的產品名稱。

WITH initial_ranking AS (
    SELECT product_id, name, review, review_id, ROW_NUMBER() OVER () AS ref_number
    FROM user_reviews
    ORDER BY
      review_desc_embedding <=> google_ml.embedding(
        'gemini-embedding-001', 'good desserts')::vector
    LIMIT 10
  ), reranked_results AS (
    SELECT index, score
    FROM
      ai.rank(
        model_id => 'semantic-ranker-512',
        search_string => 'good desserts',
        documents => (SELECT ARRAY_AGG(review ORDER BY ref_number) FROM initial_ranking),
        top_n => 5)
  )
SELECT product_id, name
FROM initial_ranking, reranked_results
WHERE initial_ranking.ref_number = reranked_results.index
ORDER BY reranked_results.score DESC;

後續步驟