本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

矢量搜索 Amazon DocumentDB

向量搜尋是機器學習中使用的一種方法，透過使用距離或相似度量來比較其向量表示法，藉此找出與指定資料點相似的資料點。向量空間中的兩個向量越接近，基礎項目被認為就越相似。這種技術有助於捕獲數據的語義含義。此方法適用於各種應用程式，例如推薦系統、自然語言處理和影像辨識。

Amazon DocumentDB 的向量搜尋結合了JSON基於文件資料庫的彈性和豐富的查詢功能，以及向量搜尋的強大功能。如果您想要使用現有的 Amazon DocumentDB 資料或靈活的文件資料結構來建立機器學習和生成 AI 使用案例 (例如語義搜尋體驗、產品推薦、個人化、聊天機器人、詐騙偵測和異常偵測)，Amazon DocumentDB 向量搜尋是您的理想選擇。向量搜尋可在 Amazon DocumentDB 5.0 執行個體型叢集上使用。

插入向量

若要將向量插入 Amazon DocumentDB 資料庫中，您可以使用現有的插入方法：

範例

在下面的例子中，一個測試數據庫中的五個文檔的集合被創建。每個文件都包含兩個欄位：產品名稱及其對應的向量嵌入。

db.collection.insertMany([
  {"product_name": "Product A", "vectorEmbedding": [0.2, 0.5, 0.8]},
  {"product_name": "Product B", "vectorEmbedding": [0.7, 0.3, 0.9]},
  {"product_name": "Product C", "vectorEmbedding": [0.1, 0.2, 0.5]},
  {"product_name": "Product D", "vectorEmbedding": [0.9, 0.6, 0.4]},
  {"product_name": "Product E", "vectorEmbedding": [0.4, 0.7, 0.2]}
]);

建立向量索引

Amazon DocumentDB 同時支援階層式可導覽小型世界 (HNSW) 索引和具有平面壓縮 (IVFFlat) 索引方法的反轉檔案。索IVFFlat引將向量隔離為列表，然後搜索那些最接近查詢向量的那些列表的選定子集。另一方面，HNSW索引會將向量資料組織成多層圖形。雖然建置時HNSW間較慢IVFFlat，但它提供了更好的查詢效能和回收。與HNSW此不同的是IVFFlat，不涉及任何訓練步驟，允許在沒有任何初始資料載入的情況下產生索引。對於大多數使用案例，我們建議使用索HNSW引類型進行向量搜尋。

如果您不建立向量索引，Amazon DocumentDB 會執行完全最近的鄰近搜尋，以確保完美回收。但是，在生產場景中，速度至關重要。我們建議使用矢量索引，這可能會交易一些回收以提高速度。重要的是要注意，添加向量索引可能會導致不同的查詢結果。

範本

您可以使用以下createIndex或runCommand模板在矢量字段上構建矢量索引：

Using createIndex

在某些驅動程式 (例如 mongosh 和 Java) 中，使用中的vectorOptions參數createIndex可能會導致錯誤。在這種情況下，我們建議使用runCommand：

db.collection.createIndex(
  { "<vectorField>": "vector" },
  { "name": "<indexName>",
    "vectorOptions": {
      "type": " <hnsw> | <ivfflat> ",
      "dimensions": <number_of_dimensions>,
      "similarity": " <euclidean> | <cosine> | <dotProduct> ",
      "lists": <number_of_lists> [applicable for IVFFlat],
      "m": <max number of connections> [applicable for HNSW],
      "efConstruction": <size of the dynamic list for index build> [applicable for HNSW]
    }
  }
);

Using runCommand

在某些驅動程式 (例如 mongosh 和 Java) 中，使用中的vectorOptions參數createIndex可能會導致錯誤。在這種情況下，我們建議使用runCommand：

db.runCommand(
  { "createIndexes": "<collection>", 
  "indexes": [{
      key: { "<vectorField>": "vector" },
      vectorOptions: {
          type: " <hnsw> | <ivfflat> ",
          dimensions: <number of dimensions>,
          similarity: " <euclidean> | <cosine> | <dotProduct> ",
          lists: <number_of_lists> [applicable for IVFFlat],
          m: <max number of connections> [applicable for HNSW],
          efConstruction: <size of the dynamic list for index build> [applicable for HNSW]
          },
      name: "myIndex" 
      }] 
  }
);

lists請務必HNSW適當地設定子參數的值，例如 to IVFFlat m 和 to，因為這會影響搜efConstruction尋的準確度/回收、建置時間和效能。較高的清單值會增加查詢的速度，因為它會減少每個清單中的向量數目，從而產生較小的區域。但是，較小的區域大小可能會導致更多的召回錯誤，從而導致較低的精度。對於HNSW，增加的值m和efConstruction增加準確度，但也會增加索引建立時間和大小。請參閱以下範例：

範例

HNSW

db.collection.createIndex(
  { "vectorEmbedding": "vector" },
  { "name": "myIndex",
    "vectorOptions": {
      "type": "hnsw",
      "dimensions": 3,
      "similarity": "euclidean",
      "m": 16,
      "efConstruction": 64
    }
  }
);

IVFFlat

db.collection.createIndex(
  { "vectorEmbedding": "vector" },
  { "name": "myIndex",
    "vectorOptions": {
      "type": "ivfflat",
      "dimensions": 3,
      "similarity": "euclidean",
      "lists":1
    }
  }
)

取得索引定義

您可以使用以下getIndexes命令檢視索引的詳細資訊，包括向量索引：

範例

db.collection.getIndexes()

範例輸出

[
 {
  "v" : 4,
  "key" : {
   "_id" : 1
  },
  "name" : "_id_",
  "ns" : "test.collection"
 },
 {
  "v" : 4,
  "key" : {
   "vectorEmbedding" : "vector"
  },
  "name" : "myIndex",
  "vectorOptions" : {
   "type" : "ivfflat",
   "dimensions" : 3,
   "similarity" : "euclidean",
   "lists" : 1
  },
  "ns" : "test.collection"
 }
]

查詢向量

向量查詢範本

使用下列範本查詢向量：

db.collection.aggregate([
  {
    $search: {
      "vectorSearch": {
        "vector": <query vector>, 
        "path": "<vectorField>", 
        "similarity": "<distance metric>",
        "k": <number of results>,
        "probes":<number of probes> [applicable for IVFFlat],
        "efSearch":<size of the dynamic list during search> [applicable for HNSW]
      }
    }
  }
]);

微調 efSearch (HNSW) 或 probes (IVFlat) 的值以達到所需的效能和準確度非常重要。請參閱下列範例作業：

HNSW

db.collection.aggregate([
  {
    $search: {
      "vectorSearch": {
        "vector": [0.2, 0.5, 0.8], 
        "path": "vectorEmbedding", 
        "similarity": "euclidean",
        "k": 2,
        "efSearch": 40
      }
    }
  }
]);

IVFFlat

db.collection.aggregate([
  {
    $search: {
      "vectorSearch": {
        "vector": [0.2, 0.5, 0.8], 
        "path": "vectorEmbedding", 
        "similarity": "euclidean",
        "k": 2,
        "probes": 1
      }
    }
  }
]);

範例輸出

此操作的輸出如下所示：

{ "_id" : ObjectId("653d835ff96bee02cad7323c"), "product_name" : "Product A", "vectorEmbedding" : [ 0.2, 0.5, 0.8 ] }
{ "_id" : ObjectId("653d835ff96bee02cad7323e"), "product_name" : "Product C", "vectorEmbedding" : [ 0.1, 0.2, 0.5 ] }

功能和限制

版本相容性

向量

索引

向量查詢

最佳實務

了解在 Amazon DocumentDB 中使用向量搜尋的最佳實務。在新最佳實務確定時，會不斷更新此小節。

資源