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

The following is the JSON syntax for the knnVector type. Replace the default index definition with the following. To learn more about the fields, see Field Properties.

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
}

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.

vector タイプへの移行

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