MongoDB 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 MongoDB 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。 MongoDB ベクトル検索クエリは、クエリベクトル、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。

ベクトル検索条件を指定するには、 SearchVectorモジュールが提供するdjango_mongodb_backend.expressions$vectorSearch 式クラスのインスタンスを作成します。この式は、 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。

次に、SearchVector annotateインスタンスをDpango のQuerySet APIから メソッドに渡してベクトル検索クエリを実行します。次のコードは、ベクトル検索クエリを実行するための構文を示しています。

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

MongoDB 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