通过查找 K 个最近邻点在 Spanner 中执行相似度向量搜索

本页面介绍了如何使用余弦距离、欧几里得距离和点积向量函数在 Spanner 中执行相似度向量搜索，以查找最近的 K 个相邻项。在阅读本页内容之前，请务必先了解以下概念：

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

您可以使用矢量距离函数针对相似度搜索或检索增强生成等用例执行 K 最近邻 (KNN) 向量搜索。Spanner 支持 COSINE_DISTANCE()、EUCLIDEAN_DISTANCE() 和 DOT_PRODUCT() 函数，这些函数可对向量嵌入执行操作，以便您查找输入嵌入的 KNN。

例如，生成 Spanner 运算数据并将其保存为向量嵌入后，您可以在查询中提供这些向量嵌入作为输入参数，以查找 N 维空间中最近的向量，以搜索语义相似或相关的项。

所有三个距离函数都采用 array<> 类型的参数 vector1 和 vector2，并且必须由相同的维度组成且长度相同。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、对分区数据的 KNN 搜索以及将二级索引与 KNN 搭配使用。

这些示例均使用 EUCLIDEAN_DISTANCE()。您也可以使用 COSINE_DISTANCE()。此外，如果数据集中的所有向量嵌入都已归一化，您可以使用 DOT_PRODUCT() 作为距离函数。

假设有一个 Documents 表，该表中有 DocContents 个字节列中的预计算文本嵌入列 (DocEmbedding)。

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，但非职业棒球”的输入嵌入是数组 [0.3, 0.3, 0.7, 0.7]，您可以通过以下查询找到匹配的排名前五个的文档：

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;

此示例的预期结果：

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

示例 2：对分区数据进行 KNN 搜索

如需修改上例中的查询，您可以向 WHERE 子句添加条件，将向量搜索限制为数据的子集。此方法的一种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：对二级索引范围进行 KNN 搜索

如果您使用的 WHERE 子句过滤条件不是表的主键的一部分，则可以创建二级索引，以通过仅索引扫描来加速操作。

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;

此示例的预期结果：

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