通过查找 K 最近邻项在 Spanner 中执行相似向量搜索

本页介绍了如何在 Spanner 中使用余弦距离、欧几里得距离和点积向量函数查找 K 个最近邻，从而执行相似性向量搜索。在阅读本页面之前，请务必先了解以下概念：

  • 欧几里得距离： 测量两个向量之间的最短距离。
  • 余弦距离： 测量两个向量之间角度的余弦。
  • 点积：计算角的余弦乘以相应矢量大小的乘积。如果您知道数据集中的所有向量嵌入 归一化，则可以使用 DOT_PRODUCT() 作为距离函数。
  • K 最近邻 (KNN)： 一种用于解决分类问题的监督式机器学习算法， 回归问题。

您可以使用矢量距离函数执行 K 最近邻 (KNN)。 向量搜索，用于相似性搜索或检索增强 。Spanner 支持 COSINE_DISTANCE()， EUCLIDEAN_DISTANCE() 和 DOT_PRODUCT() 函数，它们作用于矢量 来找出输入嵌入的 KNN。

例如，在将操作性 Spanner 数据生成并保存为向量嵌入后，您可以在查询中将这些向量嵌入作为输入参数提供，以便在 N 维空间中查找最近的向量，从而搜索语义上相似或相关的项。

这三个距离函数都接受类型为 array<> 的参数 vector1 和 vector2，且这些参数必须具有相同的维度和长度。如需详细了解这些函数，请参阅：

示例

以下示例展示了 KNN 搜索、KNN 对分区数据的搜索，以及 将二级索引与 KNN 结合起来使用。

示例均使用 EUCLIDEAN_DISTANCE()。您还可以使用 COSINE_DISTANCE()。此外，如果数据集中的所有向量嵌入 标准化，因此可以使用 DOT_PRODUCT() 作为距离函数。

假设有一个 Documents 表，其中包含预先计算的列 (DocEmbedding) 文本嵌入。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[]
);

假设“棒球，但不是职业棒球”的输入嵌入 是数组 [0.3, 0.3, 0.7, 0.7]，您可以找到前五个最接近的文档 结果替换为以下查询：

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;

本示例的预期结果：

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

示例 2：KNN 对分区数据进行搜索

上述示例中的查询可通过向 WHERE 子句将矢量搜索限制为数据的子集。这项功能的一个常见应用是搜索分区数据，例如属于特定 UserId 的行。

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;

此示例的预期结果：

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

示例 3：对二级索引范围执行 KNN 搜索

如果您使用的 WHERE 子句过滤条件不是表主键的一部分， 那么您可以创建二级索引来加速操作 仅索引扫描。

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;

本示例的预期结果：

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

后续步骤