Effectuer une recherche de similarité vectorielle dans Spanner en trouvant les K voisins les plus proches

Cette page explique comment effectuer une recherche de similarité vectorielle dans Spanner à l'aide des fonctions de distance cosinus, de distance euclidienne et de produit scalaire pour trouver les voisins les plus proches. Avant de lire cette page, il est important que vous compreniez les concepts suivants :

  • Distance euclidienne: mesure la distance la plus courte entre deux vecteurs.
  • Distance cosinus : mesure le cosinus de l'angle entre deux vecteurs.
  • Produit scalaire: calcule le cosinus de l'angle multiplié par le produit du vecteur correspondant grandeurs. Si vous savez que toutes les représentations vectorielles continues de votre ensemble de données sont normalisées, vous pouvez utiliser DOT_PRODUCT() comme fonction de distance.
  • K-plus proches voisins (KNN) : algorithme de machine learning supervisé utilisé pour résoudre des problèmes de classification ou de régression.

Vous pouvez utiliser des fonctions de distance vectorielle pour effectuer une recherche vectorielle des k plus proches voisins (KNN) pour des cas d'utilisation tels que la recherche de similarité ou la génération augmentée par récupération. Spanner est compatible avec les fonctions COSINE_DISTANCE(), EUCLIDEAN_DISTANCE() et DOT_PRODUCT(), qui fonctionnent sur des représentations vectorielles continues, ce qui vous permet de trouver le KNN de l'embedding d'entrée.

Par exemple, après avoir généré et enregistré votre instance Spanner opérationnelle sous forme de représentations vectorielles continues, vous pouvez ensuite fournissez ces représentations vectorielles continues en tant que paramètre d'entrée dans votre requête pour trouver les vecteurs les plus proches dans un espace à N dimensions pour trouver des valeurs sémantiquement similaires ou d'articles associés.

Les trois fonctions de distance acceptent les arguments vector1 et vector2, qui sont de type array<>. Ils doivent avoir les mêmes dimensions et la même longueur. Pour en savoir plus sur ces fonctions, consultez les pages suivantes:

Examples

Les exemples suivants montrent la recherche KNN, la recherche KNN sur des données partitionnées et l'utilisation d'un indice secondaire avec KNN.

Les exemples utilisent tous EUCLIDEAN_DISTANCE(). Vous pouvez également utiliser COSINE_DISTANCE() De plus, si tous les représentations vectorielles continues de votre ensemble de données sont normalisées, vous pouvez utiliser DOT_PRODUCT() comme fonction de distance.

Prenons l'exemple d'une table Documents qui contient une colonne (DocEmbedding) d'embeddings de texte précalculés à partir de la colonne d'octets DocContents.

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[]
);

Supposons qu'une représentation vectorielle continue d'entrée pour « baseball, mais pas baseball professionnel » est le tableau [0.3, 0.3, 0.7, 0.7], vous pouvez trouver les cinq documents les plus proches qui correspondent, par la requête suivante:

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;

Résultats attendus de cet exemple:

Documents
+---------------------------+-----------------+
| DocId                     | DocEmbedding    |
+---------------------------+-----------------+
| 24                        | [8, ...]        |
+---------------------------+-----------------+
| 25                        | [6, ...]        |
+---------------------------+-----------------+
| 26                        | [3.2, ...]      |
+---------------------------+-----------------+
| 27                        | [38, ...]       |
+---------------------------+-----------------+
| 14229                     | [1.6, ...]      |
+---------------------------+-----------------+

Exemple 2 : Recherche KNN sur des données partitionnées

Vous pouvez modifier la requête de l'exemple précédent en ajoutant des conditions au WHERE pour limiter la recherche vectorielle à un sous-ensemble de vos données. Une application courante de cette approche consiste à effectuer une recherche sur des données partitionnées, telles que des lignes appartenant à un UserId spécifique.

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;

Résultats attendus de cet exemple :

Documents
+-----------+-----------------+-----------------+
| UserId    | DocId           | DocEmbedding    |
+-----------+-----------------+-----------------+
| 18        | 234             | [12, ...]       |
+-----------+-----------------+-----------------+
| 18        | 12              | [1.6, ...]      |
+-----------+-----------------+-----------------+
| 18        | 321             | [22, ...]       |
+-----------+-----------------+-----------------+
| 18        | 432             | [3, ...]        |
+-----------+-----------------+-----------------+

Exemple 3 : Recherche KNN sur des plages d'index secondaires

Si le filtre de la clause WHERE que vous utilisez ne fait pas partie de la clé primaire de la table, vous pouvez créer un indice secondaire pour accélérer l'opération à l'aide d'un repérage en mode index uniquement.

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;

Résultats attendus de cet exemple :

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, ...]        |
+------------+-----------------+-----------------+

Étape suivante