/ /

Referência de índice

mapeamentos de campo

Página inicial do Docs

Como criar índice em campos vetoriais

Interface

Você pode usar o tipo vector para indexar embeddings de vetores. O campo vetorial deve conter um array de números dos seguintes tipos:

BSON int32, int64, ou double tipos de dados
BSON double Tipo de Dados

Você pode usar o operador vectorSearch, semelhante ao estágio $vectorSearch, em seu pipeline de agregação $search para consultar campos indexados como o tipo vector.

`vector` Limitações de tipo

Aplicam-se as seguintes limitações:

Você não pode ter índices em campos com arrays de objetos (tipo embeddedDocuments de MongoDB Search) como tipo vector.
Não é possível definir storedSource como true em definições de índice que contenham o tipo vector. Em vez disso, use include para especificar os campos a serem armazenados em mongot ou use exclude para excluir o campo do tipo vector do armazenamento.
Você não pode usar o estágio $vectorSearch para consultar campos indexados como o tipo vector.
Você pode indexar campos como o tipo vector no MongoDB Search Playground.

Definir o índice para o tipo `vector`

Configurar propriedades de campo do `vector`

O tipo MongoDB Search vector usa os seguintes parâmetros:

Opção	Tipo	necessidade	Descrição
`type`	`vector`	Obrigatório	Etiqueta legível por humanos que identifica este tipo de campo. O valor deve ser `vector`.
`numDimensions`	Int	Obrigatório	Número de dimensões vetoriais que o MongoDB Search impõe no momento do índice e da query. Você pode definir este campo somente para campos do tipo `vector`. Você deve especificar um valor menor ou igual a `8192`. Para indexar vetores quantizados ou BinData, você pode especificar um dos seguintes valores: `1` a `8192` para `int8` vetores para ingestão. Múltiplo de `8` para `int1` vetores para ingestão. `1` a `8192` para `binData(float32)` e `array(float32)` vetores para quantização escalar automática. Múltiplo de `8` para `binData(float32)` e `array(float32)` vetores para quantização binária automática. O modelo de embedding escolhido determina o número de dimensões em seus embeddings vetoriais, com alguns modelos tendo múltiplas opções para quantas dimensões são geradas. Para aprender mais, consulte Escolher um método para criar embeddings.
`similarity`	String	Obrigatório	Função de similaridade vetorial a ser usada para procurar os K- vizinhos mais próximos. Você pode definir este campo somente para campos tipo `vector`. Você pode especificar um dos seguintes valores: `euclidean` - mede a distância entre as extremidades dos vetores. `cosine` - mede a similaridade com base no ângulo entre os vetores. `dotProduct` - mede a similaridade como `cosine`, mas leva em conta a magnitude do vetor. Para saber mais, consulte Sobre as funções de similaridade.
`quantization`	String	Opcional	Tipo de quantização vetorial automática para seus vetores. Use essa configuração somente se suas incorporações forem `float` ou `double` vetores. Você pode especificar um dos seguintes valores: `none` - Indica que não há quantização automática para as incorporações vetoriais. Use essa configuração se você tiver vetores pré-quantizados para ingestão. Se omitido, este é o valor padrão. `scalar` - Indica a quantização escalar, que transforma valores em inteiros de 1 bytes. `binary` - Indica a quantização binária, que transforma valores em um único bit. Para usar esse valor, `numDimensions` deve ser um múltiplo de 8. Se a precisão for crítica, selecione `none` ou `scalar` em vez de `binary`. Para saber mais, consulte About Quantization.
`indexingMethod`	String	Opcional	Estrutura de índice para o campo de vetor. O valor pode ser: `hnsw` - para índice baseado em grafo onde vetores semelhantes são conectados `flat` - para plano, não grafo, índice Se omitido, o padrão é `hnsw`. Se você especificar `hnsw`, o MongoDB Vector Search executará a pesquisa vetorial ANN no grafo Hierarchical Navigable Small Worlds e a pesquisa ENN em vetores de fidelidade total. Você também pode especificar `hnswOptions`. Se você especificar `flat`, o MongoDB Vector Search executará uma verificação completa em vetores de fidelidade total ou quantizados. Durante uma pesquisa de ANN, o MongoDB Vector Search ignora as configurações de `numCandidates`. Para a pesquisa ENN, o MongoDB Vector Search realiza uma verificação completa de vetores de fidelidade total.
`hnswOptions`	Objeto	Opcional	Parâmetros a serem usados para a construção do grafo de Hierarchical Navigable Small Worlds. Se omitido, utiliza os valores padrão para os parâmetros `maxEdges` e `numEdgeCandidates`. IMPORTANTE: isso está disponível como um recurso de prévia. A modificação dos valores padrão pode ter impacto adverso no índice de pesquisa e nas queries do MongoDB Search.
`hnswOptions.` `maxEdges`	Int	Opcional	Número máximo de arestas (ou conexões) que um nó pode ter no grafo Hierarchical Navigable Small Worlds. O valor pode estar entre `16` e `64`, ambos incluídos. Se omitido, o padrão é `16`. Por exemplo, para um valor de `16`, cada nó pode ter um máximo de dezesseis arestas de saída em cada camada do grafo Hierarchical Navigable Small Worlds. A higher number improves :recall (accuracy of search results) because the graph is better connected. However, this also increases query and indexing time by increasing the number of neighbors to evaluate per graph node, and requires more memory to store the additional nodes for each connection in the Hierarchical Navigable Small Worlds graph.
`hnswOptions.` `numEdgeCandidates`	Int	Opcional	Analogamente a `numCandidates` no momento da query, este parâmetro controla o número máximo de nós a serem avaliados para encontrar os vizinhos mais próximos para se conectar a um novo nó. O valor pode estar entre `100` e `3200`, ambos incluídos. Se omitido, o padrão é `100`. Um número mais alto fornece um grafo com conexões de alta qualidade, o que pode melhorar a qualidade da pesquisa (recall), mas também pode aumentar a latência da query.

Experimente um exemplo para o tipo `vector`

O exemplo de definição de índice a seguir usa a coleção sample_mflix.embedded_movies nos dados de amostra. Depois de carregar a coleção, você pode usar o exemplo a seguir para indexar o campo plot_embedding_voyage_3_large como o tipo vector para executar queries usando o vectorSearch (MongoDB Search Operador). Para que uma query de amostra seja executar com base nesse índice, consulte exemplo.

Esta definição de índice indexa automaticamente todos os campos indexáveis dinamicamente usando o padrão typeSet e também indexa o campo plot_embedding_voyage_3_large como tipo vector com as seguintes configurações:

2048 número de dimensões
dotProduct função de similaridade
scalar quantização
hnsw método de indexação (padrão)

Voltar

uuid

Sorted Index

Como criar índice em campos vetoriais

vector Limitações de tipo

Definir o índice para o tipo vector

Configurar propriedades de campo do vector

Configurar propriedades de campo do vector

Experimente um exemplo para o tipo vector

`vector` Limitações de tipo

Definir o índice para o tipo `vector`

Configurar propriedades de campo do `vector`

Configurar propriedades de campo do `vector`

Experimente um exemplo para o tipo `vector`