/ /

mapeamentos de campo

Página inicial do Docs

/ /

Referência de índice

mapeamentos de campo

Página inicial do Docs

Como Indexar Incorporações de Vetor para Vector Search

O tipo de campo knnVector do Atlas Search e o operador knnBeta agora estão obsoletos. Em vez disso, recomendamos que você use o tipo de índice de vetor e o operador vectorSearch no estágio do pipeline $search.

Você pode usar o tipo knnVector para indexar incorporação de vetores. O campo vetorial pode ser representado como uma array de números dos seguintes tipos:

BSON int32, int64 ou double tipos de dados para consulta usando o operador knnBeta .
BSON double tipo de dados para consultas utilizando o estágio $vectorSearch.

Você pode usar o knnBeta operador, que agora está obsoleto, e o estágio $vectorSearch em seu pipeline de agregação para consultar campos indexados como knnVector.

Observação

Você não pode usar o MongoDB Search Visual Editor na UI do Atlas para configurar campos do tipo knnVector. Em vez disso, use o JSON Editor do MongoDB Search para configurar campos do tipo knnVector.

Você também pode utilizar a Vector Search do MongoDB com implementações locais do Atlas que você cria com o Atlas CLI. Para saber mais, consulte Criar uma implantação de Atlas local.

`knnVector` Limitações de tipo

Não é possível indexar campos dentro de arrays de documentos ou campos dentro de arrays de objetos (tipo MongoDB Search embeddedDocuments) como tipo knnVector.

Definir o índice para o tipo `knnVector`

O seguinte é a sintaxe JSON para o tipo knnVector. Substitua a definição de índice padrão pelo seguinte. Para saber mais sobre os campos, consulte Propriedades do Campo.

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 }

Configurar propriedades de campo do `knnVector`

O tipo knnVector tem as seguintes opções:

Opção	Tipo	necessidade	Propósito
`type`	string	Obrigatório	Etiqueta legível por humanos que identifica este tipo de campo. O valor deve ser `knnVector`.
`dimensions`	int	Obrigatório	Número de dimensões vetoriais, que o MongoDB Search impõe no momento do índice e query. Este valor não pode ser maior que `8192`.
`similarity`	string	Obrigatório	Função de similaridade vetorial a ser usada para pesquisar os K- vizinhos mais próximos. O valor pode ser um dos seguintes: `euclidean` - mede a distância entre as extremidades dos vetores. Isso permite medir a similaridade com base na variação de dimensões. Para saber mais, veja Euclidiano. `cosine` - mede a similaridade com base no ângulo entre os vetores. Isso permite que você meça a similaridade que não é dimensionada pela magnitude. Você não pode utilizar vetores de magnitude zero com `cosine`. Para medir a similaridade do cosseno, recomendamos normalizar seus vetores e usar `dotProduct`. Para saber mais, consulte Cosseno. `dotProduct` - mede a similaridade como `cosine`, mas leva em conta a magnitude do vetor. Isso permite medir com eficiência a similaridade com base no ângulo e na magnitude. Para saber mais, consulte Produto pontual. Se você normalizar a magnitude, `cosine` e `dotProduct` são quase idênticos na medição de similaridade.

Experimente um exemplo para o tipo `knnVector`

A seguinte definição de índice para a coleção sample_mflix.embedded_movies indexa dinamicamente todos os campos dinamicamente indexáveis na coleção e indexa estaticamente o campo plot_embedding como o tipo knnVector. O campo plot_embedding contém incorporações criadas utilizando o modelo de incorporações text-embedding-ada-002 da OpenAI. A definição de índice especifica 1536 dimensões vetoriais e mede a similaridade usando euclidean.

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

Se você carregar os dados de amostra em seu cluster e criar o índice anterior do MongoDB Search para essa coleção, poderá executar $vectorSearch contra essa coleção. Para saber mais sobre os exemplos de consultas que você pode executar, consulte Exemplos de $vectorSearch.

Voltar

geo

número

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	}

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

Observação

knnVector Limitações de tipo

Definir o índice para o tipo knnVector

Configurar propriedades de campo do knnVector

Experimente um exemplo para o tipo knnVector

`knnVector` Limitações de tipo

Definir o índice para o tipo `knnVector`

Configurar propriedades de campo do `knnVector`

Experimente um exemplo para o tipo `knnVector`