Trovare i vicini più prossimi approssimativi (ANN) ed eseguire query sugli incorporamenti vettoriali

Questa pagina descrive come trovare i vicini più prossimi approssimati (ANN) ed eseguire query sugli embedding vettoriali utilizzando le funzioni di distanza ANN.

Quando un set di dati è di piccole dimensioni, puoi utilizzare i vicini più prossimi (KNN) per trovare i k-vettori più prossimi esatti. Tuttavia, man mano che il set di dati cresce, aumentano anche la latenza e il costo di una ricerca KNN. Puoi utilizzare ANN per trovare i k-vicini più prossimi approssimati con latenza e costi notevolmente ridotti.

In una ricerca ANN, i k-vettori restituiti non sono i primi k-vicini più prossimi perché la ricerca ANN calcola le distanze approssimative e potrebbe non esaminare tutti i vettori nel set di dati. A volte vengono restituiti alcuni vettori che non rientrano tra i primi k-vicini più prossimi. Questo è noto come perdita di richiamo. La quantità di perdita di richiamo accettabile dipende dal caso d'uso, ma nella maggior parte dei casi, perdere un po' di richiamo in cambio di un miglioramento delle prestazioni del database è un compromesso accettabile.

Per maggiori dettagli sulle funzioni di distanza approssimativa supportate in Spanner, consulta le seguenti pagine di riferimento per il dialetto del database:

Eseguire query sugli embedding vettoriali

Spanner accelera le ricerche vettoriali del vicino più prossimo approssimato (ANN) utilizzando un indice vettoriale. Puoi utilizzare un indice vettoriale per eseguire query sugli embedding vettoriali. Per eseguire query sugli embedding vettoriali, devi prima creare un indice vettoriale. Puoi quindi utilizzare una delle tre funzioni di distanza approssimativa per trovare l'ANN.

Le limitazioni quando si utilizzano le funzioni di distanza approssimativa includono le seguenti:

  • La funzione di distanza approssimativa deve calcolare la distanza tra una colonna di embedding e un'espressione costante (ad esempio, un parametro o un valore letterale).
  • L'output della funzione di distanza approssimativa deve essere utilizzato in una clausola ORDER BY come unica chiave di ordinamento e dopo ORDER BY deve essere specificato un LIMIT.
  • La query deve filtrare esplicitamente le righe non indicizzate. Nella maggior parte dei casi, ciò significa che la query deve includere una WHERE <column_name> IS NOT NULL clausola che corrisponda alla definizione dell'indice vettoriale, a meno che la colonna non sia già contrassegnata come NOT NULL nella definizione della tabella.

Per un elenco dettagliato delle limitazioni, consulta la pagina di riferimento della funzione di distanza approssimativa.

Esempi

Considera una tabella Documents con una colonna DocEmbedding di embedding di testo precalcolati dalla colonna di byte DocContents e una colonna NullableDocEmbedding compilata da altre origini che potrebbero essere nulle.

GoogleSQL 

CREATE TABLE Documents (
  UserId       INT64 NOT NULL,
  DocId        INT64 NOT NULL,
  Author       STRING(1024),
  DocContents  BYTES(MAX),
  DocEmbedding ARRAY<FLOAT32> NOT NULL,
  NullableDocEmbedding ARRAY<FLOAT32>,
  WordCount    INT64
) PRIMARY KEY (UserId, DocId);

PostgreSQL 

CREATE TABLE documents (
  user_id      bigint not null,
  doc_id       bigint not null,
  author       varchar(1024),
  doc_contents bytea,
  doc_embedding float4[] not null,
  nullable_doc_embedding float4[],
  word_count   bigint,
  PRIMARY KEY (user_id, doc_id)
);

Per cercare i 100 vettori più vicini a [1.0, 2.0, 3.0]:

GoogleSQL 

SELECT DocId
FROM Documents
WHERE WordCount > 1000
ORDER BY APPROX_EUCLIDEAN_DISTANCE(
  ARRAY<FLOAT32>[1.0, 2.0, 3.0], DocEmbedding,
  options => JSON '{"num_leaves_to_search": 10}')
LIMIT 100

PostgreSQL 

SELECT doc_id
FROM documents
WHERE word_count > 1000
ORDER BY spanner.approx_euclidean_distance(
  ARRAY[1.0, 2.0, 3.0]::float4[], doc_embedding,
  options=>jsonb'{"num_leaves_to_search": 10}'
)
LIMIT 100;

Per cercare i 100 vettori più vicini a un embedding generato da un'espressione SQL, utilizza il seguente pattern. In questo esempio, la query trova i documenti più simili all'embedding di UserId = 1 e DocId = 1:

GoogleSQL 

WITH emb AS (
  SELECT DocEmbedding AS value
  FROM Documents
  WHERE UserId = 1 AND DocId = 1
  LIMIT 1
)
SELECT DocId
FROM Documents, emb
ORDER BY APPROX_EUCLIDEAN_DISTANCE(
  emb.value, DocEmbedding,
  options => JSON '{"num_leaves_to_search": 10}')
LIMIT 100

PostgreSQL 

SELECT documents.doc_id
FROM
  documents,
  (
    SELECT doc_embedding AS value
    FROM documents
    WHERE user_id = 1 AND doc_id = 1
    LIMIT 1
  ) vector
WHERE documents.doc_embedding IS NOT NULL
ORDER BY spanner.APPROX_EUCLIDEAN_DISTANCE(documents.doc_embedding,
         vector.value, options=>'{"num_leaves_to_search": 10}'::jsonb)
LIMIT 100

Se la colonna di embedding ammette valori nulli:

GoogleSQL 

SELECT DocId
FROM Documents
WHERE NullableDocEmbedding IS NOT NULL AND WordCount > 1000
ORDER BY APPROX_EUCLIDEAN_DISTANCE(
  ARRAY<FLOAT32>[1.0, 2.0, 3.0], NullableDocEmbedding,
  options => JSON '{"num_leaves_to_search": 10}')
LIMIT 100

PostgreSQL 

SELECT doc_id
FROM documents
WHERE nullable_doc_embedding IS NOT NULL AND word_count > 1000
ORDER BY spanner.approx_euclidean_distance(
  ARRAY[1.0, 2.0, 3.0]::float4[], nullable_doc_embedding,
  options=>jsonb'{"num_leaves_to_search": 10}'
)
LIMIT 100;

Passaggi successivi