ベクトル検索のためのベクトル埋め込みのインデックス作成方法

knnVector 型の制限

ドキュメントの配列内のフィールド、またはオブジェクトの配列内のフィールド（ MongoDB Search embeddedDocuments 型）を knnVector タイプとしてインデックスはできません。

knnVector 型のインデックスを定義する

以下は、knnVector 型の JSON 構文です。デフォルトのインデックス定義を以下のように置き換えます。フィールドの詳細については、「フィールド プロパティ」を参照してください。

1
{
2
  "mappings": {
3
    "dynamic": true|false,
4
    "fields": {
5
      "<field-name>": {
6
        "type": "knnVector",
7
        "dimensions": <number-of-dimensions>,
8
        "similarity": "euclidean | cosine | dotProduct"
9
      }
10
    }
11
  }
12
}

knnVector フィールド プロパティを構成する

knnVector 型には、次のオプションがあります。

knnVector 型の例を試す

sample_mflix.embedded_movies コレクションの次のインデックス定義は、コレクション内のすべての動的にインデックス可能なフィールドを動的にインデックスされ、plot_embedding フィールドを knnVector 型として静的にインデックスされます。plot_embedding フィールドには、OpenAI の text-embedding-ada-002 埋め込みモデルを使用して作成された埋め込みが含まれます。インデックス定義では、1536 ベクトル次元を指定し、 euclidean を使用して類似性を測定します。

1
{
2
  "mappings": {
3
    "dynamic": true,
4
    "fields": {
5
      "plot_embedding": {
6
        "type": "knnVector",
7
        "dimensions": 1536,
8
        "similarity": "euclidean"
9
      }
10
    }
11
  }
12
}

サンプルデータを クラスターにロードし、このコレクションに対して前述のMongoDB Searchインデックスを作成すると、このコレクションに対して$vectorSearch クエリを実行できます。実行できるサンプルクエリの詳細については、$vectorSearch の例 を参照してください。