執行向量相似度搜尋

本文說明如何使用 pgvector 擴充功能，在 AlloyDB for PostgreSQL 中執行向量相似度搜尋。向量相似度搜尋 (也稱為最鄰近搜尋) 可讓您找出資料中與指定查詢向量最相似的資料點。

儲存嵌入並建立索引後，即可查詢 AlloyDB 資料庫中語意相似的向量。使用 pgvector 查詢功能，找出嵌入向量的最鄰近項目。

如要進一步瞭解如何儲存向量嵌入項目及建立索引，請分別參閱「儲存向量嵌入項目」和「建立索引」。

如要執行相似度搜尋，請指定資料表、嵌入資料欄、距離函式、目標嵌入和要傳回的列數。您也可以使用 embedding() 函式將文字翻譯成向量，然後使用 pgvector 運算子將向量與儲存的嵌入內容進行比較。

如要找出嵌入向量最鄰近的語意鄰居，可以執行下列範例查詢，並設定與建立索引時相同的距離函式。

  SELECT * FROM TABLE
    ORDER BY EMBEDDING_COLUMN DISTANCE_FUNCTION_QUERY ['EMBEDDING']
    LIMIT ROW_COUNT

更改下列內容：

  • TABLE：包含要與文字比較之嵌入內容的資料表。

  • EMBEDDING_COLUMN：包含儲存的嵌入內容的資料欄。

  • DISTANCE_FUNCTION_QUERY：要用於這項查詢的距離函式。根據建立索引時使用的距離函式，選擇下列其中一項：

    • L2 距離： <->

    • 內積： <#>

    • 餘弦距離： <=>

  • EMBEDDING：您要找出最鄰近儲存語意鄰項的嵌入向量。

  • ROW_COUNT：要傳回的列數。

    如只要取得最符合的單一結果，請指定 1。

如要查看其他查詢範例，請參閱「查詢」。

您也可以使用 embedding() 函式將文字轉換為向量，並找出嵌入最相近的資料庫資料列。股票 pgvector PostgreSQL 擴充功能是為 AlloyDB 量身打造，稱為 vector。將向量套用至其中一個 pgvector 最近鄰運算子，例如餘弦距離的 <=>。

由於 embedding() 會傳回 real 陣列，您必須明確將 embedding() 呼叫轉換為 vector，才能搭配 pgvector 運算子使用這些值。

  CREATE EXTENSION IF NOT EXISTS vector;

  SELECT * FROM TABLE
    ORDER BY EMBEDDING_COLUMN::vector
    <=> google_ml.embedding('MODEL_IDVERSION_TAG', 'TEXT')
    LIMIT ROW_COUNT

更改下列內容：

  • MODEL_ID：要查詢的模型 ID。

    如果使用 Model Garden，請指定 text-embedding-005 做為模型 ID。這些是 AlloyDB 可用於文字嵌入的雲端模型。詳情請參閱「文字嵌入」。

  • 選用：VERSION_TAG：要查詢的模型版本標記。在標記開頭加上 @。

    如果您使用 Gemini Enterprise Agent Platform 搭配其中一個 text-embedding-005 英文模型，請指定其中一個版本標記，例如「text-embedding-005」，如「模型版本」一文所列。

    Google 強烈建議您一律指定版本標記。如未指定版本標記，AlloyDB 會使用最新模型版本，這可能會導致非預期的結果。

  • TABLE：要查詢的資料表。

  • EMBEDDING_COLUMN：包含儲存的嵌入內容的資料欄。

  • TEXT：要翻譯成向量嵌入的文字。

  • ROW_COUNT：要傳回的列數。

如要加快 KNN 篩選搜尋速度，可以使用 AlloyDB 資料欄引擎。詳情請參閱「加快篩選後的向量搜尋速度」(預覽版) 和「設定直欄式引擎」。

後續步驟