milvus-logo
LFAI
홈페이지
  • 사용자 가이드

범위 검색

범위 검색은 특정 범위 내에서 반환되는 엔티티의 거리 또는 점수를 제한하여 검색 결과의 관련성을 향상시킵니다. 이 페이지에서는 범위 검색의 정의와 범위 검색을 수행하는 절차에 대한 이해를 돕습니다.

개요

밀버스는 범위 검색 요청을 실행할 때 ANN 검색 결과에서 쿼리 벡터와 가장 유사한 벡터를 중심으로 삼고, 검색 요청에 지정된 반경을 바깥쪽 원의 반경으로, 범위_필터를 안쪽 원의 반경으로 하여 동심원 두 개를 그립니다. 이 두 동심원으로 형성된 환형 영역에 속하는 유사도 점수가 있는 모든 벡터가 반환됩니다. 여기서 range_filter를 0으로 설정하면 지정된 유사도 점수(반경) 내의 모든 엔티티가 반환됩니다.

Range search 범위 검색

위 다이어그램은 범위 검색 요청에 두 개의 매개변수, 즉 반경과 범위_필터가 포함됨을 보여줍니다. 범위 검색 요청을 받으면 Milvus는 다음을 수행합니다.

  • 지정된 메트릭 유형(COSINE)을 사용하여 쿼리 벡터와 가장 유사한 모든 벡터 임베딩을 찾습니다.

  • 쿼리 벡터와의 거리 또는 점수가 radiusrange_filter 매개변수로 지정된 범위 내에 속하는 벡터 임베딩을 필터링합니다.

  • 필터링된 엔티티 중에서 상위 K개의 엔티티를 반환합니다.

반경 및 범위_필터를 설정하는 방법은 검색의 메트릭 유형에 따라 다릅니다. 다음 표에는 서로 다른 메트릭 유형으로 이 두 매개변수를 설정하기 위한 요구사항이 나와 있습니다.

메트릭 유형

표시

반경 및 범위_필터 설정 요구사항

L2

L2 거리가 작을수록 유사성이 높음을 나타냅니다.

가장 유사한 벡터 임베딩을 무시하려면 다음을 확인합니다.

range_filter <= 거리 < radius

IP

IP 거리가 클수록 유사도가 높음을 나타냅니다.

가장 유사한 벡터 임베딩을 무시하려면 다음을 확인합니다.

radius <거리 <= range_filter

COSINE

코사인 거리가 클수록 유사도가 높다는 것을 나타냅니다.

가장 유사한 벡터 임베딩을 무시하려면 다음을 확인합니다.

radius < 거리 <= range_filter

JACCARD

자카드 거리가 작을수록 유사도가 높음을 나타냅니다.

가장 유사한 벡터 임베딩을 무시하려면 다음을 확인합니다.

range_filter <= 거리 < radius

HAMMING

해밍 거리가 작을수록 유사도가 높음을 나타냅니다.

가장 유사한 벡터 임베딩을 무시하려면 다음을 확인합니다.

range_filter <= 거리 < radius

예제

이 섹션에서는 범위 검색을 수행하는 방법을 설명합니다. 다음 코드 스니펫의 검색 요청에는 메트릭 유형이 포함되어 있지 않으므로 기본 메트릭 유형인 COSINE이 적용됩니다. 이 경우 반경 값이 범위_필터 값보다 작은지 확인하세요.

다음 코드 조각에서 radius0.4 으로, range_filter0.6 으로 설정하여 Milvus가 쿼리 벡터와의 거리 또는 점수가 0. 4~0.6 내에 속하는 모든 엔티티를 반환하도록 합니다.

from pymilvus import MilvusClient

client = MilvusClient(
    uri="http://localhost:19530",
    token="root:Milvus"
)

query_vector = [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592]

res = client.search(
    collection_name="my_collection",
    data=[query_vector],
    limit=3,
    search_params={
        # highlight-start
        "params": {
            "radius": 0.4,
            "range_filter": 0.6
        }
        # highlight-end
    }
)

for hits in res:
    print("TopK results:")
    for hit in hits:
        print(hit)

import io.milvus.v2.client.ConnectConfig;
import io.milvus.v2.client.MilvusClientV2;
 io.milvus.v2.service.vector.request.SearchReq
import io.milvus.v2.service.vector.request.data.FloatVec;
import io.milvus.v2.service.vector.response.SearchResp


MilvusClientV2 client = new MilvusClientV2(ConnectConfig.builder()
        .uri("http://localhost:19530")
        .token("root:Milvus")
        .build());

FloatVec queryVector = new FloatVec(new float[]{0.3580376395471989f, -0.6023495712049978f, 0.18414012509913835f, -0.26286205330961354f, 0.9029438446296592f});
Map<String,Object> extraParams = new HashMap<>();
extraParams.put("radius", 0.4);
extraParams.put("range_filter", 0.6);
SearchReq searchReq = SearchReq.builder()
        .collectionName("range_search_collection")
        .data(Collections.singletonList(queryVector))
        .topK(5)
        .searchParams(extraParams)
        .build();

SearchResp searchResp = client.search(searchReq);

List<List<SearchResp.SearchResult>> searchResults = searchResp.getSearchResults();
for (List<SearchResp.SearchResult> results : searchResults) {
    System.out.println("TopK results:");
    for (SearchResp.SearchResult result : results) {
        System.out.println(result);
    }
}

// Output
// TopK results:
// SearchResp.SearchResult(entity={}, score=0.5975797, id=4)
// SearchResp.SearchResult(entity={}, score=0.46704385, id=5)

// TODO 

import { MilvusClient, DataType } from "@zilliz/milvus2-sdk-node";

const address = "http://localhost:19530";
const token = "root:Milvus";
const client = new MilvusClient({address, token});

var query_vector = [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592]

res = await client.search({
    collection_name: "range_search_collection",
    data: [query_vector],
    limit: 5,
    // highlight-start
    params: {
        "radius": 0.4,
        "range_filter": 0.6
    }
    // highlight-end
})

export CLUSTER_ENDPOINT="http://localhost:19530"
export TOKEN="root:Milvus"

curl --request POST \
--url "${CLUSTER_ENDPOINT}/v2/vectordb/entities/search" \
--header "Authorization: Bearer ${TOKEN}" \
--header "Content-Type: application/json" \
-d '{
    "collectionName": "quick_setup",
    "data": [
        [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592]
    ],
    "annsField": "vector",
    "filter": "color like \"red%\" and likes > 50",
    "limit": 3,
    "searchParams": {
        "params": {
            "radius": 0.4,
            "range_filter": 0.6
        }
    }
}'
# {"code":0,"cost":0,"data":[]}

번역DeepLogo

Try Managed Milvus for Free

Zilliz Cloud is hassle-free, powered by Milvus and 10x faster.

Get Started
피드백

이 페이지가 도움이 되었나요?