Esta página descreve como realizar a pesquisa por similaridade vetorial em Spanner usando a distância do cosseno, a distância euclidiana e o ponto de vetores de produto para encontrar os vizinhos K mais próximos. Antes de ler esta página, é importante que você entenda os seguintes conceitos:
- Distância euclidiana: mede a menor distância entre dois vetores.
- Distância de cosseno: mede o cosseno do ângulo entre dois vetores.
- Produto escalar: calcula o
cosseno do ângulo multiplicado pelo produto do vetor correspondente
grandes. Se você sabe que todos os embeddings de vetores no conjunto de dados são
normalizado, é possível usar
DOT_PRODUCT()
como uma função de distância. - vizinhos mais próximos (KNN, na sigla em inglês): um algoritmo de machine learning supervisionado usado para resolver problemas de problemas de regressão.
É possível usar funções de distância de vetor para realizar a pesquisa de vetor de vizinho mais próximo (KNN)
em casos de uso como pesquisa de similaridade ou geração aumentada de
recuperação. O Spanner oferece suporte às funções COSINE_DISTANCE()
,
EUCLIDEAN_DISTANCE()
e DOT_PRODUCT()
, que operam em embeddings
de vetor, permitindo que você encontre a KNN do embedding de entrada.
Por exemplo, depois de gerar e salvar seus dados operacionais do Spanner como embeddings de vetor, você pode fornecer esses embeddings de vetor como um parâmetro de entrada na consulta para encontrar os vetores mais próximos no espaço N-dimensional e pesquisar itens semanticamente semelhantes ou relacionados.
Todas as três funções de distância usam os argumentos vector1
e vector2
, que
são do tipo array<>
e precisam ter as mesmas dimensões e ter o
mesmo tamanho. Para mais detalhes sobre essas funções, consulte:
COSINE_DISTANCE()
no GoogleSQLEUCLIDEAN_DISTANCE()
no GoogleSQLDOT_PRODUCT()
no GoogleSQL- Funções matemáticas no PostgreSQL
(
spanner.cosine_distance()
,spanner.euclidean_distance()
espanner.dot_product()
) - Escolha entre as funções de distância de vetor para medir a similaridade dos embeddings de vetor.
Exemplos
Os exemplos a seguir mostram a pesquisa KNN, a pesquisa KNN em dados particionados e usando um índice secundário com KNN.
Todos os exemplos usam EUCLIDEAN_DISTANCE()
. Também é possível usar
COSINE_DISTANCE()
. Além disso, se todos os embeddings de vetor no seu conjunto de dados
forem normalizados, você poderá usar DOT_PRODUCT()
como uma função de distância.
Exemplo 1: pesquisa KNN
Considere uma tabela Documents
que tenha uma coluna (DocEmbedding
) de representações de texto
pré-calculadas da coluna de bytes 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[]
);
Supondo que uma embedding de entrada para "baseball, but not professional baseball"
seja a matriz [0.3, 0.3, 0.7, 0.7]
, você pode encontrar os cinco documentos mais próximos
que correspondem, com a seguinte 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;
Os resultados esperados deste exemplo:
Documents
+---------------------------+-----------------+
| DocId | DocEmbedding |
+---------------------------+-----------------+
| 24 | [8, ...] |
+---------------------------+-----------------+
| 25 | [6, ...] |
+---------------------------+-----------------+
| 26 | [3.2, ...] |
+---------------------------+-----------------+
| 27 | [38, ...] |
+---------------------------+-----------------+
| 14229 | [1.6, ...] |
+---------------------------+-----------------+
Exemplo 2: pesquisa de KNN em dados particionados
A consulta no exemplo anterior pode ser modificada adicionando condições à cláusula WHERE
para limitar a pesquisa de vetores a um subconjunto dos seus dados. Uma aplicação comum
é pesquisar em dados particionados, como linhas que pertencem
a um 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;
Os resultados esperados deste exemplo:
Documents
+-----------+-----------------+-----------------+
| UserId | DocId | DocEmbedding |
+-----------+-----------------+-----------------+
| 18 | 234 | [12, ...] |
+-----------+-----------------+-----------------+
| 18 | 12 | [1.6, ...] |
+-----------+-----------------+-----------------+
| 18 | 321 | [22, ...] |
+-----------+-----------------+-----------------+
| 18 | 432 | [3, ...] |
+-----------+-----------------+-----------------+
Exemplo 3: pesquisa de KNN em intervalos de índices secundários
Se o filtro de cláusula WHERE
que você está usando não fizer parte da chave primária da tabela,
você pode criar um índice secundário para acelerar a operação com um
index-only 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;
Os resultados esperados deste exemplo:
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, ...] |
+------------+-----------------+-----------------+
A seguir
Saiba mais sobre as funções
COSINE_DISTANCE()
,EUCLIDEAN_DISTANCE()
eDOT_PRODUCT()
do GoogleSQL.Saiba mais sobre as funções
spanner.cosine_distance()
,spanner.euclidean_distance()
espanner.dot_product()
do PostgreSQL.Saiba mais sobre como Escolher entre funções de distância vetorial para medir a semelhança de embeddings de vetores.