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

Cette page explique comment effectuer une recherche de similarité vectorielle dans Spanner à l'aide des fonctions vectorielles de distance de cosinus, de distance euclidienne et de produit scalaire pour trouver les k plus proches voisins. Ces informations s'appliquent aux bases de données utilisant les dialectes GoogleSQL et PostgreSQL. Avant de lire cette page, il est important de comprendre 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 des magnitudes vectorielles correspondantes. Si vous savez que tous les embeddings vectoriels de votre ensemble de données sont normalisés, vous pouvez utiliser DOT_PRODUCT() comme fonction de distance.
  • K plus proches voisins (KNN): algorithme de machine learning supervisé utilisé pour résoudre des problèmes de classification ou de régression.

Vous pouvez utiliser des fonctions de distance vectorielle pour effectuer une recherche vectorielle des k plus proches voisins (KNN) dans des cas d'utilisation tels que la recherche de similarité ou la génération augmentée par récupération. Spanner est compatible avec les fonctions COSINE_DISTANCE(), EUCLIDEAN_DISTANCE() et DOT_PRODUCT(), qui fonctionnent sur les embeddings vectoriels, ce qui vous permet de trouver les k plus proches voisins de l'embedding d'entrée.

Par exemple, une fois que vous avez généré et enregistré vos données opérationnelles Spanner en tant qu'embeddings vectoriels, vous pouvez ensuite fournir ces embeddings vectoriels comme paramètre d'entrée dans votre requête pour trouver les vecteurs les plus proches dans un espace à N dimensions afin de rechercher des éléments sémantiquement similaires ou associés.

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

Exemples

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

Les exemples utilisent tous EUCLIDEAN_DISTANCE(). Vous pouvez également utiliser COSINE_DISTANCE(). De plus, si tous les embeddings vectoriels de votre ensemble de données sont normalisés, vous pouvez utiliser DOT_PRODUCT() comme fonction de distance.

Prenons l'exemple d'une table Documents comportant une colonne (DocEmbedding) d'embeddings de texte précalculés à partir de la colonne d'octets DocContents.

GoogleSQL 

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

PostgreSQL 

CREATE TABLE Documents (
UserId       bigint NOT NULL,
DocId        bigint NOT NULL,
Author       varchar(1024),
DocContents  bytea,
DocEmbedding float4[],
PRIMARY KEY  (UserId, DocId)
);

En supposant qu'un embedding 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 à l'aide de 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 clause WHERE pour limiter la recherche vectorielle à un sous-ensemble de vos données. Une application courante consiste à effectuer une recherche sur des données partitionnées, telles que des 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 la 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