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

Cette page explique comment effectuer une recherche vectorielle de similarité Spanner en utilisant la distance de cosinus, la distance euclidienne et le point les fonctions de vecteur de produit pour trouver les K 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 de 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 vous pouvez utiliser DOT_PRODUCT() comme fonction de distance.
  • Voisins les plus proches KNN: un algorithme de machine learning supervisé utilisé pour résoudre les problèmes de régression.

Vous pouvez utiliser des fonctions de distance vectorielle pour effectuer des KNN les plus proches voisins recherche vectorielle pour des cas d'utilisation tels que la recherche par similarité ou la récupération augmentée génération. Spanner est compatible avec les COSINE_DISTANCE(), Les fonctions EUCLIDEAN_DISTANCE() et DOT_PRODUCT(), qui opèrent sur des vecteurs ce qui vous permet de trouver le KNN de la représentation vectorielle continue 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 des articles connexes.

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

Examples

Les exemples suivants illustrent la recherche KNN, la recherche KNN sur des données partitionnées et à l'aide d'un index secondaire avec KNN.

Les exemples utilisent tous EUCLIDEAN_DISTANCE(). Vous pouvez également utiliser COSINE_DISTANCE() En outre, si toutes 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 comportant une colonne (DocEmbedding) de données précalculées des représentations vectorielles continues de texte de la colonne DocContents octets.

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[]
);

En supposant 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

La requête de l'exemple précédent peut être modifiée en ajoutant des conditions à la WHERE pour limiter la recherche vectorielle à un sous-ensemble de vos données. Une approche Cela permet d'effectuer des recherches sur des données partitionnées, telles que les 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 clause WHERE que vous utilisez ne fait pas partie de la clé primaire de la table, vous pouvez créer un index secondaire pour accélérer l'opération avec une analyse d'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