ค้นหาที่ใกล้ที่สุด

คำอธิบาย

ทำการค้นหาเวกเตอร์เพื่อนบ้านที่ใกล้ที่สุดในช่อง embedding ที่ระบุโดยใช้ distance_measure ที่ขอ

ตัวอย่าง

const results = await db.pipeline()
  .collection("cities")
  .findNearest({
      field: "embedding",
      vectorValue: [1.5, 2.345],
      distanceMeasure: "euclidean"
  })
  .execute();
test.firestore.js

const results = await execute(db.pipeline()
  .collection("cities")
  .findNearest({
      field: "embedding",
      vectorValue: [1.5, 2.345],
      distanceMeasure: "euclidean"
  }));
test.firestore.js

let results = try await db.pipeline()
  .collection("cities")
  .findNearest(
    field: Field("embedding"),
    vectorValue: VectorValue([1.5, 2.345]),
    distanceMeasure: .euclidean
  )
  .execute()
PipelineSnippets.swift

val results = db.pipeline()
    .collection("cities")
    .findNearest(
        "embedding",
        doubleArrayOf(1.5, 2.345),
        FindNearestStage.DistanceMeasure.EUCLIDEAN
    )
    .execute()
DocSnippets.kt

Task<Pipeline.Snapshot> results = db.pipeline()
        .collection("cities")
        .findNearest(
            "embedding",
            new double[] {1.5, 2.345},
            FindNearestStage.DistanceMeasure.EUCLIDEAN
        )
        .execute();
DocSnippets.java

from google.cloud.firestore_v1.vector import Vector
from google.cloud.firestore_v1.base_vector_query import DistanceMeasure

results = (
    client.pipeline()
    .collection("cities")
    .find_nearest(
        field="embedding",
        vector_value=Vector([1.5, 2.345]),
        distance_measure=DistanceMeasure.EUCLIDEAN,
    )
    .execute()
)
firestore_pipelines.py

Pipeline.Snapshot results =
    firestore
        .pipeline()
        .collection("cities")
        .findNearest(
            "embedding",
            new double[] {1.5, 2.345},
            FindNearest.DistanceMeasure.EUCLIDEAN,
            new FindNearestOptions())
        .execute()
        .get();
PipelineSnippets.java

พฤติกรรม

การวัดระยะทาง

ระยะ find_nearest(...) รองรับตัวเลือกต่อไปนี้สำหรับการวัดระยะทางเวกเตอร์

• euclidean: วัดระยะทาง euclidean ระหว่างเวกเตอร์ ดูข้อมูลเพิ่มเติมได้ที่ Euclidean
• cosine: เปรียบเทียบเวกเตอร์ตามมุมระหว่างเวกเตอร์ ซึ่งช่วยให้คุณวัดความคล้ายคลึงที่ไม่ขึ้นอยู่กับขนาดของเวกเตอร์ได้ เราขอแนะนำให้ใช้ dot_product กับเวกเตอร์ที่ทำให้เป็นหน่วยแทนระยะทาง COSINE ซึ่งเทียบเท่ากันทางคณิตศาสตร์และมีประสิทธิภาพดีกว่า ดูข้อมูลเพิ่มเติมได้ที่ ความคล้ายคลึงแบบโคไซน์
• dot_product: คล้ายกับ cosine แต่ได้รับผลกระทบจากขนาดของเวกเตอร์ ดูข้อมูลเพิ่มเติมได้ที่ Dot product

เลือกการวัดระยะทาง

คุณสามารถกำหนดการวัดระยะทางที่จะใช้ในการวัดระยะทางได้โดยพิจารณาว่าเวกเตอร์การฝังทั้งหมดได้รับการทำให้เป็นมาตรฐานหรือไม่ เวกเตอร์การฝังที่ทำให้เป็นมาตรฐานแล้วจะมีขนาด (ความยาว) เป็น 1.0 พอดี

นอกจากนี้ หากทราบว่าโมเดลได้รับการฝึกด้วยการวัดระยะทางใด ให้ใช้การวัดระยะทางนั้นเพื่อคำนวณระยะทางระหว่างเวกเตอร์การฝัง

ข้อมูลที่ทำให้เป็นมาตรฐานแล้ว

หากคุณมีชุดข้อมูลที่เวกเตอร์การฝังทั้งหมดได้รับการทำให้เป็นมาตรฐานแล้ว การวัดระยะทางทั้ง 3 แบบจะให้ผลการค้นหาเชิงความหมายเหมือนกัน กล่าวคือ แม้ว่าการวัดระยะทางแต่ละแบบจะแสดงค่าที่แตกต่างกัน แต่ค่าเหล่านั้นจะเรียงลำดับในลักษณะเดียวกัน เมื่อมีการทำให้เวกเตอร์การฝังเป็นมาตรฐานแล้ว dot_product มักจะมีประสิทธิภาพในการคำนวณมากที่สุด แต่ความแตกต่างนั้นเล็กน้อยในกรณีส่วนใหญ่ อย่างไรก็ตาม หากแอปพลิเคชันของคุณมีความละเอียดอ่อนต่อประสิทธิภาพอย่างมาก dot_product อาจช่วยในการปรับประสิทธิภาพได้

ข้อมูลที่ยังไม่ได้ทำให้เป็นมาตรฐาน

หากคุณมีชุดข้อมูลที่เวกเตอร์การฝังยังไม่ได้ทำให้เป็นมาตรฐาน การใช้ dot_product เป็นการวัดระยะทางจะไม่ถูกต้องทางคณิตศาสตร์เนื่องจาก dot product ไม่ได้วัดระยะทาง การวัดระยะทาง cosine หรือ euclidean จะให้ผลการค้นหาที่อาจดีกว่าการวัดระยะทางอื่นๆ ขึ้นอยู่กับวิธีสร้างเวกเตอร์การฝังและประเภทการค้นหาที่ต้องการ คุณอาจต้องทดลองใช้ cosine หรือ euclidean เพื่อพิจารณาว่าวิธีใดดีที่สุดสำหรับกรณีการใช้งานของคุณ

ไม่แน่ใจว่าข้อมูลเป็นข้อมูลที่ทำให้เป็นมาตรฐานแล้วหรือยังไม่ได้ทำให้เป็นมาตรฐาน

หากไม่แน่ใจว่าข้อมูลของคุณเป็นข้อมูลที่ทำให้เป็นมาตรฐานแล้วหรือไม่ และต้องการใช้ dot_product เราขอแนะนำให้ใช้ cosine แทน cosine คล้ายกับ dot_product แต่มีการทำให้เป็นมาตรฐานในตัว ระยะทางที่วัดโดยใช้ cosine จะมีค่าตั้งแต่ 0 ถึง 2 ผลลัพธ์ที่ใกล้เคียงกับ 0 แสดงว่าเวกเตอร์มีความคล้ายคลึงกันมาก

จำกัดผลลัพธ์

คุณสามารถจำกัดจำนวนเอกสารที่ส่งคืนโดยการค้นหาได้โดยการตั้งค่าช่อง limit

const results = await db.pipeline()
  .collection("cities")
  .findNearest({
      field: "embedding",
      vectorValue: vector([1.5, 2.345]),
      distanceMeasure: "euclidean",
      limit: 10,
  })
  .execute();

การดึงระยะทางเวกเตอร์ที่คำนวณได้

คุณสามารถดึงระยะทางเวกเตอร์ที่คำนวณได้โดยกำหนดชื่อพร็อพเพอร์ตี้เอาต์พุต a distance_field ในระยะ find_nearest(...) ดังที่แสดงในตัวอย่างต่อไปนี้

ตัวอย่างเช่น สำหรับคอลเล็กชันต่อไปนี้

await db.collection("cities").doc("SF").set({name: "San Francisco", embedding: vector([1.0, -1.0])});
await db.collection("cities").doc("TO").set({name: "Toronto", embedding: vector([5.0, -10.0])});
await db.collection("cities").doc("AT").set({name: "Atlantis", embedding: vector([2.0, -4.0])});

ทำการค้นหาเวกเตอร์ด้วยเอาต์พุตที่ขอ distance_field

const results = await db.pipeline()
  .collection("cities")
  .findNearest({
      field: "embedding",
      vectorValue: vector([1.3, 2.345]),
      distanceMeasure: "euclidean",
      distanceField: "computedDistance",
  })
  .execute();

ซึ่งจะสร้างเอกสารต่อไปนี้

{name: "San Francisco", embedding: vector([1.0, -1.0]), computedDistance: 3.3584259705999178},
{name: "Atlantis", embedding: vector([2.0, -4.0]), computedDistance: 6.383496299051172},
{name: "Toronto", embedding: vector([5.0, -10.0]), computedDistance: 12.887553103673328}

ข้อจำกัด

โปรดทราบข้อจำกัดต่อไปนี้เมื่อใช้เวกเตอร์การฝัง

• มิติข้อมูลการฝังที่รองรับสูงสุดคือ 2048 หากต้องการจัดเก็บดัชนีขนาดใหญ่ ให้ใช้ การลดมิติข้อมูล