執行向量相似度搜尋

本文說明如何使用 pgvector 擴充功能，在 AlloyDB Omni 執行向量相似度搜尋。向量相似度搜尋 (又稱最鄰近搜尋) 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，您可以在 AlloyDB Omni 資料庫中查詢語意相似的向量。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和建立索引，請分別參閱「儲存向量嵌入」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，以及要傳回的資料列數量。您也可以使用 embedding() 函式將文字轉譯為向量，然後使用 pgvector 運算子將向量與儲存的嵌入進行比較。

如要找出嵌入向量最鄰近的語意項目，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：這個資料表包含要與文字比較的嵌入。

  • EMBEDDING_COLUMN：包含儲存嵌入的資料欄。

  • DISTANCE_FUNCTION_QUERY：要與這項查詢搭配使用的距離函式。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：要找出最鄰近儲存語意鄰居的嵌入向量。

  • ROW_COUNT：要傳回的列數。

    如果只想傳回單一最佳相符項目，請指定 1。

如要進一步瞭解其他查詢範例，請參閱 pgvector 說明文件中的「查詢」一節。

您也可以使用 embedding() 函式將文字轉譯為向量，並找出語意與嵌入最相似的資料庫資料列。標準 pgvector PostgreSQL 擴充功能是專為 AlloyDB Omni 自訂，稱為 vector。將向量套用至其中一個 pgvector 最鄰近運算子，例如 <=> (餘弦距離)。

由於 embedding() 會傳回 real 陣列，因此您必須明確將 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
    <=> google_ml.embedding('MODEL_IDVERSION_TAG', 'TEXT')::vector
    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 Omni 可用於文字嵌入的雲端式模型。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 @。

    text-embedding-005text-embedding-005

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

  • TABLE：要查詢的資料表。

  • EMBEDDING_COLUMN：包含儲存嵌入的資料欄。

  • TEXT：要轉換成向量嵌入的文字。

  • ROW_COUNT：要傳回的列數。

如要加快篩選後的 KNN 搜尋速度，可以使用 AlloyDB Omni 資料欄引擎。詳情請參閱「加速篩選向量搜尋」和「設定資料欄引擎」。

後續步驟