En esta página, se describe cómo realizar una búsqueda de vectores de similitud en Spanner mediante el uso de las funciones de distancia coseno, distancia euclidiana y vector de producto punto para encontrar vecinos de K-más cercanos. Antes de leer esta página, es importante que comprendas los siguientes conceptos:
- Distancia euclidiana: mide la distancia más corta entre dos vectores.
- Distancia de coseno: Mide el coseno del ángulo entre dos vectores.
- Producto de punto: Calcula el coseno del ángulo multiplicado por el producto de las magnitudes vectoriales correspondientes. Si sabes que todas las incorporaciones vectoriales de tu conjunto de datos están normalizadas, puedes usar
DOT_PRODUCT()
como función de distancia. - Vecinos K-más cercanos (KNN): Un algoritmo de aprendizaje automático supervisado que se usa para resolver problemas de clasificación o regresión.
Puedes usar funciones de distancia vectorial a fin de realizar búsquedas de vectores de vecinos K-más cercanos (KNN) para casos de uso como búsqueda de similitud o generación de recuperación aumentada. Spanner admite las funciones COSINE_DISTANCE()
, EUCLIDEAN_DISTANCE()
y DOT_PRODUCT()
, que operan en incorporaciones vectoriales, lo que te permite encontrar la KNN de la incorporación de entrada.
Por ejemplo, después de generar y guardar tus datos operativos de Spanner como incorporaciones vectoriales, puedes proporcionar estas incorporaciones vectoriales como un parámetro de entrada en tu consulta para encontrar los vectores más cercanos en un espacio N-dimensional para buscar elementos semánticos similares o relacionados.
Las tres funciones de distancia toman los argumentos vector1
y vector2
, que son del tipo array<>
, y deben constar de las mismas dimensiones y la misma longitud. Para obtener más detalles sobre estas funciones, consulta lo siguiente:
COSINE_DISTANCE()
en GoogleSQLEUCLIDEAN_DISTANCE()
en GoogleSQLDOT_PRODUCT()
en GoogleSQL- Funciones matemáticas en PostgreSQL (
spanner.cosine_distance()
,spanner.euclidean_distance()
yspanner.dot_product()
) - Elige entre funciones de distancia vectorial para medir la similitud de las incorporaciones vectoriales.
Ejemplos
En los siguientes ejemplos, se muestra la búsqueda de KNN, la búsqueda de KNN en datos particionados y el uso de un índice secundario con KNN.
Todos los ejemplos usan EUCLIDEAN_DISTANCE()
. También puedes usar COSINE_DISTANCE()
. Además, si todas las incorporaciones vectoriales de tu conjunto de datos se normalizan, puedes usar DOT_PRODUCT()
como función de distancia.
Ejemplo 1: Búsqueda de KNN
Considera una tabla Documents
que tiene una columna (DocEmbedding
) de incorporaciones de texto calculadas previamente desde la columna DocContents
de bytes.
GoogleSQL
CREATE TABLE Documents (
UserId INT64 NOT NULL,
DocId INT64 NOT NULL,
Author STRING(1024),
DocContents BYTES,
DocEmbedding ARRAY<FLOAT32>
) PRIMARY KEY (UserId, DocId);
PostgreSQL
CREATE TABLE Documents (
UserId bigint primary key,
DocId bigint primary key,
Author varchar(1024),
DocContents bytea,
DocEmbedding float4[]
);
Si suponemos que una incorporación de entrada para “béisbol, pero no béisbol profesional” es el array [0.3, 0.3, 0.7, 0.7]
, puedes encontrar los cinco documentos más cercanos que coincidan con la siguiente consulta:
GoogleSQL
SELECT DocId, DocEmbedding FROM Documents
ORDER BY EUCLIDEAN_DISTANCE(DocEmbedding,
ARRAY<FLOAT32>[0.3, 0.3, 0.7, 0.8])
LIMIT 5;
PostgreSQL
SELECT DocId, DocEmbedding FROM Documents
ORDER BY spanner.euclidean_distance(DocEmbedding,
'{0.3, 0.3, 0.7, 0.8}'::float4[])
LIMIT 5;
Estos son los resultados esperados de este ejemplo:
Documents
+---------------------------+-----------------+
| DocId | DocEmbedding |
+---------------------------+-----------------+
| 24 | [8, ...] |
+---------------------------+-----------------+
| 25 | [6, ...] |
+---------------------------+-----------------+
| 26 | [3.2, ...] |
+---------------------------+-----------------+
| 27 | [38, ...] |
+---------------------------+-----------------+
| 14229 | [1.6, ...] |
+---------------------------+-----------------+
Ejemplo 2: Búsqueda de KNN en datos particionados
Se puede modificar la consulta del ejemplo anterior si agregas condiciones a la cláusula WHERE
para limitar la búsqueda vectorial a un subconjunto de tus datos. Una aplicación común de esto es buscar en datos particionados, como filas que pertenecen a un UserId
específico.
GoogleSQL
SELECT UserId, DocId, DocEmbedding FROM Documents
WHERE UserId=18
ORDER BY EUCLIDEAN_DISTANCE(DocEmbedding,
ARRAY<FLOAT32>[0.3, 0.3, 0.7, 0.8])
LIMIT 5;
PostgreSQL
SELECT UserId, DocId, DocEmbedding FROM Documents
WHERE UserId=18
ORDER BY spanner.euclidean_distance(DocEmbedding,
'{0.3, 0.3, 0.7, 0.8}'::float4[])
LIMIT 5;
Estos son los resultados esperados de este ejemplo:
Documents
+-----------+-----------------+-----------------+
| UserId | DocId | DocEmbedding |
+-----------+-----------------+-----------------+
| 18 | 234 | [12, ...] |
+-----------+-----------------+-----------------+
| 18 | 12 | [1.6, ...] |
+-----------+-----------------+-----------------+
| 18 | 321 | [22, ...] |
+-----------+-----------------+-----------------+
| 18 | 432 | [3, ...] |
+-----------+-----------------+-----------------+
Ejemplo 3: Búsqueda de KNN en rangos de índice secundario
Si el filtro de la cláusula WHERE
que usas no forma parte de la clave primaria de la tabla, puedes crear un índice secundario para acelerar la operación con un análisis de solo índice.
GoogleSQL
CREATE INDEX DocsByAuthor
ON Documents(Author)
STORING (DocEmbedding);
SELECT Author, DocId, DocEmbedding FROM Documents
WHERE Author="Mark Twain"
ORDER BY EUCLIDEAN_DISTANCE(DocEmbedding,
<embeddings for "book about the time traveling American">)
LIMIT 5;
PostgreSQL
CREATE INDEX DocsByAuthor
ON Documents(Author)
INCLUDE (DocEmbedding);
SELECT Author, DocId, DocEmbedding FROM Documents
WHERE Author="Mark Twain"
ORDER BY spanner.euclidean_distance(DocEmbedding,
<embeddings for "that book about the time traveling American">)
LIMIT 5;
Estos son los resultados esperados de este ejemplo:
Documents
+------------+-----------------+-----------------+
| Author | DocId | DocEmbedding |
+------------+-----------------+-----------------+
| Mark Twain | 234 | [12, ...] |
+------------+-----------------+-----------------+
| Mark Twain | 12 | [1.6, ...] |
+------------+-----------------+-----------------+
| Mark Twain | 321 | [22, ...] |
+------------+-----------------+-----------------+
| Mark Twain | 432 | [3, ...] |
+------------+-----------------+-----------------+
| Mark Twain | 375 | [9, ...] |
+------------+-----------------+-----------------+
¿Qué sigue?
Obtén más información sobre las funciones
COSINE_DISTANCE()
,EUCLIDEAN_DISTANCE()
yDOT_PRODUCT()
de GoogleSQL.Obtén más información sobre las funciones
spanner.cosine_distance()
,spanner.euclidean_distance()
yspanner.dot_product()
de PostgreSQL.Obtén más información para elegir entre funciones de distancia vectorial para medir la similitud de las incorporaciones vectoriales.