运行向量相似度搜索

选择文档版本：

本文档介绍了如何使用 pgvector 扩展程序在 AlloyDB Omni 中执行向量相似度搜索。借助向量相似度搜索（也称为最近邻搜索），您可以在数据中查找与给定查询向量最相似的数据点。

在存储嵌入并为其编制索引后，您可以向 AlloyDB Omni 数据库查询语义相似的向量。使用 pgvector 查询功能可查找嵌入向量的最近邻。

如需详细了解如何存储向量嵌入和创建索引，请分别参阅存储向量嵌入和创建索引。

如需运行相似度搜索，请指定表、嵌入列、距离函数、目标嵌入以及要返回的行数。您还可以使用 embedding() 函数将文本转换为向量，然后使用 pgvector 运算符将相应向量与存储的嵌入进行比较。

如需查找嵌入向量的语义最近邻，您可以运行以下示例查询，其中设置了在创建索引期间使用的相同距离函数。

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

替换以下内容：

  • TABLE：包含要与文本进行比较的嵌入的表。

  • EMBEDDING_COLUMN：包含存储的嵌入的列。

  • DISTANCE_FUNCTION_QUERY：要用于此查询的距离函数。根据创建索引时使用的距离函数，选择以下各项之一：

    • L2 距离：<->

    • 内积：<#>

    • 余弦距离：<=>

  • EMBEDDING：您要为其查找存储的语义最近邻的嵌入向量。

  • ROW_COUNT：要返回的行数。

    如果您只想返回单个最佳匹配项，请指定 1。

如需详细了解其他查询示例，请参阅 pgvector 文档中的查询。

您还可以使用 embedding() 函数将文本转换为向量，并查找具有语义最相似的嵌入的数据库行。原生 pgvector PostgreSQL 扩展程序是针对 AlloyDB Omni 自定义的，称为 vector。您可以将向量应用于某个 pgvector 最近邻运算符（例如适用于余弦距离的 <=>）。

由于 embedding() 会返回 real 数组，因此您必须明确将 embedding() 调用转换为 vector，以便将这些值与 pgvector 运算符结合使用。

  CREATE EXTENSION IF NOT EXISTS vector;

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

替换以下内容：

  • MODEL_ID：要查询的模型的 ID。

    如果您使用的是 Model Garden，请将 text-embedding-005 指定为模型 ID。这些是 AlloyDB Omni 可用于文本嵌入的云端模型。如需了解详情，请参阅文本嵌入。

  • （可选）VERSION_TAG：要查询的模型的版本标记。在标记前面添加 @。

    如果您将某个 text-embedding-005 英语模型与 Vertex AI 搭配使用，请指定模型版本中列出的某个版本标记，例如 text-embedding-005。

    Google 强烈建议您始终指定版本标记。如果您未指定版本标记，AlloyDB Omni 将使用最新的模型版本，这可能会导致意外结果。

  • TABLE：要查询的表。

  • EMBEDDING_COLUMN：包含存储的嵌入的列。

  • TEXT：要转换为向量嵌入的文本。

  • ROW_COUNT：要返回的行数。

如需加速过滤后的 KNN 搜索，您可以使用 AlloyDB Omni 列式引擎。如需了解详情，请参阅加快过滤的 Vector Search 速度和配置列式引擎。

后续步骤