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。

dateFacet 型のインデックスの定義

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
}

dateFacet フィールドの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。

dateFacet 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
}

If you load the sample data on your cluster and create the preceding MongoDB Search index for this collection, you can run $vectorSearch queries against this collection. To learn more about the sample queries that you can run, see $vectorSearch Examples.

Migrate to vector Type

MongoDB 検索インデックスをベクトル型に移行するには、ベクトルフィールドのインデックス定義内の knnVector 型を vector 型に置き換えます。

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

vector型フィールドに対してクエリを実行するには、 演算子の代わりに vectorSearch（MongoDB Search 演算子）を使用する必要があります。knnBeta