MongoDB 벡터 검색 쿼리 실행

개요

이 가이드 에서는 Django MongoDB 백엔드를 사용하여 MongoDB Vector Search 쿼리를 수행하는 방법을 학습 수 있습니다. 이 기능 사용하면 문서에서 시맨틱 검색 수행할 수 있습니다. 시맨틱 검색 제공된 검색 또는 구문 텀 의미는 비슷하지만 반드시 동일하지는 않은 정보를 찾는 검색 유형입니다.

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

벡터 검색 수행

장고 MongoDB 백엔드를 사용하여 시맨틱 의미를 기반으로 데이터를 쿼리 할 수 있습니다. MongoDB Vector Search 쿼리 쿼리 벡터 또는 검색 나 텀 의 의미를 나타내는 숫자 배열 기반으로 결과를 반환합니다. MongoDB 이 쿼리 벡터를 문서의 벡터 필드에 저장된 벡터와 비교합니다.

벡터 검색 기준을 지정하려면 django_mongodb_backend.expressions 모듈에서 제공하는 SearchVector 표현식 클래스의 인스턴스 만듭니다. 이 표현식 $vectorSearch MongoDB 파이프라인 단계에 해당합니다. 다음 인수를 SearchVector() 생성자에 전달합니다.

• path: 쿼리 할 필드 입니다.

• query_vector: 검색 기준을 나타내는 숫자 배열 . 쿼리 벡터에 대해 자세히 학습하려면 MongoDB Atlas 문서에서 벡터 를 참조하세요.

• limit: 반환할 최대 결과 수입니다.

• num_candidates: (선택 사항) 쿼리에 대해 고려할 문서 수입니다.

• exact: (선택 사항) 등가 최근접 이웃(ENN) 검색을 수행할지 여부를 나타내는 불리언 값입니다. 기본값 은 False입니다. 등가 최근접 이웃 검색에 대해 자세히 학습하려면 MongoDB Atlas 문서의 등가 최근접 이웃 검색 을 참조하세요.

• filter: (선택 사항) 쿼리 결과에 적용 할 필터하다 .

그런 다음 장고의 QuerySet API 에서 SearchVector 인스턴스 annotate 메서드에 전달하여 Vector Search 쿼리 실행 . 다음 코드는 벡터 검색 쿼리 수행하기 위한 구문을 보여줍니다.

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}]>

추가 정보

MongoDB Vector Search에 대해 자세히 학습 MongoDB Atlas 설명서에서 다음 리소스를 참조하세요.

• 벡터 검색을 위해 필드를 인덱싱하는 방법

• Vector Search 쿼리 실행