Atlas ベクトル検索クエリの実行

Overview

このガイドでは、Diango MongoDBバックエンドを使用して Atlas ベクトル検索クエリを実行する方法を説明します。この機能を使用すると、ドキュメントに対してセマンティック検索を実行できます。セマンティック検索とは、指定した検索タームやフレーズと意味が似ているが、必ずしも同一ではない情報を検索するタイプの検索です。

from django.db import models
from django_mongodb_backend.fields import ArrayField
class MovieWithEmbeddings(models.Model):
    title = models.CharField(max_length=200)
    runtime = models.IntegerField(default=0)
    plot_embedding = ArrayField(models.FloatField(), size=1536, null=True, blank=True)
    
    class Meta:
        db_table = "embedded_movies"
        managed = False
    
    def __str__(self):
        return self.title

python manage.py shell

from <your application name>.models import MovieWithEmbeddings

ベクトル検索の実行

Dpango MongoDBバックエンド を使用すると、セマンティック意味に基づいてデータをクエリできます。Atlas ベクトル検索クエリは、ベクトル、または検索タームやフレーズの意味を表す数値の配列に基づいて結果を返します。 MongoDB は、このクエリベクトルをドキュメントのベクトルフィールドに保存されているベクトルと比較します。

Atlas ベクトル検索条件を指定するには、django_mongodb_backend.expressions モジュールが提供する SearchVector式クラスのインスタンスを作成します。 この式は、$vectorSearch MongoDBパイプラインステージに対応します。次の引数を SearchVector() コンストラクターに渡します。

• path: クエリするフィールド。

• query_vector: 検索条件を表す数値の配列。クエリ ベクトルの詳細については、 MongoDB Atlasドキュメントの「 ベクトル 」を参照してください。

• limit: 返される結果の最大数。

• num_candidates: （任意）クエリで考慮するドキュメントの数。

• exact: （任意） 完全近傍（enn）検索を実行するかどうかを示すブール値値。デフォルト値は False です。ENN 検索の詳細については、 MongoDB Atlasドキュメントの ENN（完全近傍）検索 を参照してください。

• filter: （任意）クエリ結果に適用するフィルター。

Then, run your Atlas Vector Search query by passing your SearchVector instance to the annotate method from Django's QuerySet API. The following code shows the syntax for performing an Atlas Vector Search query:

from django_mongodb_backend.expressions import SearchVector
Model.objects.annotate(
   score=SearchVector(
     path="<field name>",
     query_vector=[<vector values>],
     limit=<number>,
     num_candidates=<number>,
     exact=<boolean>,
     filter=<filter expression>
   )
)

vector_values = [float(i % 10) * 0.1 for i in range(1536)]
MovieWithEmbeddings.objects.annotate(
    score=SearchVector(
        path="plot_embedding",
        query_vector=vector_values,
        limit=5,
        num_candidates=150,
        exact=False,
    )
)

<QuerySet [<MovieWithEmbeddings: Berserk: The Golden Age Arc I - The Egg of the King>,
<MovieWithEmbeddings: Rollerball>, <MovieWithEmbeddings: After Life>,
<MovieWithEmbeddings: What Women Want>, <MovieWithEmbeddings: Truth About Demons>]>

vector_values = [float(i % 10) * 0.1 for i in range(1536)]
MovieWithEmbeddings.objects.annotate(
    score=SearchVector(
        path="plot_embedding",
        query_vector=vector_values,
        limit=5,
        num_candidates=150,
        exact=False,
    )
).values("title", "score")

<QuerySet [{'title': 'Berserk: The Golden Age Arc I - The Egg of the King', 'score': 0.47894009947776794},
{'title': 'Rollerball', 'score': 0.45006513595581055}, {'title': 'After Life', 'score': 0.42825883626937866},
{'title': 'What Women Want', 'score': 0.4211753308773041}, {'title': 'Truth About Demons', 'score': 0.4194544851779938}]>

詳細情報

Atlas ベクトル検索の詳細については、 MongoDB Atlasドキュメントの次のリソースを参照してください。

• ベクトルAtlas Searchのフィールドにインデックスを付ける方法

• ベクトル検索クエリの実行