Auf dieser Seite wird beschrieben, wie Sie in Spanner eine Suche nach Vektorähnlichkeiten ausführen, indem Sie die Kosinus-Distanz, die euklidische Distanz und die Punktproduktvektorfunktionen verwenden, um die K-nächsten Nachbarn zu ermitteln. Bevor Sie diese Seite lesen, sollten Sie sich mit den folgenden Konzepten vertraut machen:
- Euklidischer Abstand: misst die kürzeste Entfernung zwischen zwei Vektoren.
- Kosinus-Distanz: misst den Kosinus des Winkels zwischen zwei Vektoren.
- Punktprodukt: berechnet den
Kosinus des Winkels multipliziert mit dem Produkt des entsprechenden Vektors
Größenordnungen. Wenn Sie wissen, dass alle Vektoreinbettungen in Ihrem Dataset
normalisiert haben, können Sie
DOT_PRODUCT()
als Entfernungsfunktion verwenden. - K-nächste Nachbarn (KNN): ein überwachter ML-Algorithmus, der zur Klassifizierung oder Regressionsprobleme.
Mithilfe von Vektordistanzfunktionen können Sie eine KNN-Vektorsuche (K-Nearest Neighbor) für Anwendungsfälle wie Ähnlichkeitssuche oder die durch Abruf erweiterte Generierung ausführen. Spanner unterstützt COSINE_DISTANCE()
,
EUCLIDEAN_DISTANCE()
- und DOT_PRODUCT()
-Funktionen, die mit Vektoren arbeiten
Einbettungen, mit denen Sie den KNN der Eingabeeinbettung ermitteln können.
Wenn Sie beispielsweise Ihren operativen Spanner generieren und speichern, Daten als Vektoreinbettungen enthalten, können Sie geben Sie diese Vektoreinbettungen als Eingabeparameter in Ihrer Abfrage an, um den nächste Vektoren im n-dimensionalen Raum, um nach semantisch ähnlichen oder verwandte Artikel.
Alle drei Distanzfunktionen nehmen die Argumente vector1
und vector2
vom Typ array<>
an. Sie müssen dieselben Abmessungen haben und gleich lang sein. Weitere Informationen zu diesen Funktionen finden Sie unter:
COSINE_DISTANCE()
in GoogleSQLEUCLIDEAN_DISTANCE()
in GoogleSQLDOT_PRODUCT()
in GoogleSQL- Mathematische Funktionen in PostgreSQL (
spanner.cosine_distance()
,spanner.euclidean_distance()
undspanner.dot_product()
) - Wählen Sie eine Vektordistanzfunktion aus, um die Ähnlichkeit von Vektoreinbettungen zu messen.
Beispiele
Die folgenden Beispiele zeigen die KNN-Suche, die KNN-Suche in partitionierten Daten und die Verwendung eines sekundären Index mit KNN.
In den Beispielen wird immer EUCLIDEAN_DISTANCE()
verwendet. Sie können aber auch COSINE_DISTANCE()
verwenden. Wenn alle Vektor-Embeddings in Ihrem Dataset normalisiert sind, können Sie DOT_PRODUCT()
auch als Distanzfunktion verwenden.
Beispiel 1: KNN-Suche
Beispiel: Eine Documents
-Tabelle mit einer Spalte (DocEmbedding
) mit vorausberechneten Werten
Texteinbettungen aus der Spalte DocContents
Byte.
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[]
);
Angenommen, eine Eingabeeinbettung für „Baseball, aber kein Profi-Baseball“
das Array [0.3, 0.3, 0.7, 0.7]
ist, können Sie die fünf nächstgelegenen Dokumente finden
Übereinstimmungen, mit der folgenden Abfrage:
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;
Die erwarteten Ergebnisse in diesem Beispiel:
Documents
+---------------------------+-----------------+
| DocId | DocEmbedding |
+---------------------------+-----------------+
| 24 | [8, ...] |
+---------------------------+-----------------+
| 25 | [6, ...] |
+---------------------------+-----------------+
| 26 | [3.2, ...] |
+---------------------------+-----------------+
| 27 | [38, ...] |
+---------------------------+-----------------+
| 14229 | [1.6, ...] |
+---------------------------+-----------------+
Beispiel 2: KNN-Suche in partitionierten Daten
Sie können die Abfrage im vorherigen Beispiel ändern, indem Sie dem
WHERE
-Klausel, um die Vektorsuche auf eine Teilmenge Ihrer Daten zu beschränken. Eine gängige
können Sie in partitionierten Daten suchen, wie z. B. in Zeilen,
zu einer bestimmten UserId
.
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;
Die erwarteten Ergebnisse in diesem Beispiel:
Documents
+-----------+-----------------+-----------------+
| UserId | DocId | DocEmbedding |
+-----------+-----------------+-----------------+
| 18 | 234 | [12, ...] |
+-----------+-----------------+-----------------+
| 18 | 12 | [1.6, ...] |
+-----------+-----------------+-----------------+
| 18 | 321 | [22, ...] |
+-----------+-----------------+-----------------+
| 18 | 432 | [3, ...] |
+-----------+-----------------+-----------------+
Beispiel 3: KNN-Suche über Bereiche von sekundären Indizes
Wenn der Filter der WHERE
-Klausel, den Sie verwenden, nicht Teil des Primärschlüssels der Tabelle ist,
können Sie einen sekundären Index erstellen, um den Vorgang mit einem
Nur Index-Scan.
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;
Die erwarteten Ergebnisse in diesem Beispiel:
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, ...] |
+------------+-----------------+-----------------+
Nächste Schritte
Weitere Informationen zu den PostgreSQL-Funktionen
spanner.cosine_distance()
,spanner.euclidean_distance()
undspanner.dot_product()