Разреженный вектор
Разреженные векторы - важный метод представления данных в информационном поиске и обработке естественного языка. Хотя плотные векторы популярны благодаря своим превосходным возможностям семантического понимания, разреженные векторы часто дают более точные результаты, когда речь идет о приложениях, требующих точного соответствия ключевых слов или фраз.
Обзор
Разреженный вектор - это особое представление высокоразмерных векторов, в котором большинство элементов равны нулю, и только несколько измерений имеют ненулевые значения. Эта характеристика делает разреженные векторы особенно эффективными при работе с крупномасштабными, высокоразмерными, но разреженными данными. К числу распространенных приложений относятся.
Анализ текста: Представление документов в виде векторов "мешок слов", где каждое измерение соответствует слову, и только слова, встречающиеся в документе, имеют ненулевые значения.
Рекомендательные системы: Матрицы взаимодействия пользователя и элемента, где каждое измерение представляет собой оценку пользователем определенного элемента, причем большинство пользователей взаимодействуют только с несколькими элементами.
Обработка изображений: Локальное представление признаков, сосредоточенное только на ключевых точках изображения, в результате чего получаются высокоразмерные разреженные векторы.
Как показано на диаграмме ниже, плотные векторы обычно представляются в виде непрерывных массивов, где каждая позиция имеет значение (например, [0.3, 0.8, 0.2, 0.3, 0.1]
). В отличие от них, разреженные векторы хранят только ненулевые элементы и их индексы, часто представляемые в виде пар ключ-значение (например, [{2: 0.2}, ..., {9997: 0.5}, {9999: 0.7}]
). Такое представление значительно сокращает объем памяти и повышает эффективность вычислений, особенно при работе с очень высокоразмерными данными (например, 10 000 измерений).
Представление разреженных векторов
Разреженные векторы могут быть сгенерированы с помощью различных методов, таких как TF-IDF (Term Frequency-Inverse Document Frequency) и BM25 в обработке текстов. Кроме того, Milvus предлагает удобные методы, помогающие генерировать и обрабатывать разреженные векторы. Подробнее см. в разделе "Вкрапления".
Для текстовых данных Milvus также предоставляет возможности полнотекстового поиска, позволяя выполнять векторный поиск непосредственно в необработанных текстовых данных без использования внешних моделей встраивания для генерации разреженных векторов. Дополнительную информацию см. в разделе Полнотекстовый поиск.
После векторизации данные можно хранить в Milvus для управления и поиска векторов. На схеме ниже показан основной процесс.
Использование разреженного вектора в Milvus
Помимо разреженных векторов, Milvus также поддерживает плотные векторы и двоичные векторы. Плотные векторы идеально подходят для фиксации глубоких семантических связей, а двоичные векторы - для таких сценариев, как быстрое сравнение сходства и дедупликация контента. Дополнительные сведения см. в разделах "Плотный вектор" и "Двоичный вектор".
Использование разреженных векторов в Milvus
Milvus поддерживает представление разреженных векторов в любом из следующих форматов.
Разреженная матрица (с использованием класса
scipy.sparse
).from scipy.sparse import csr_matrix # Create a sparse matrix row = [0, 0, 1, 2, 2, 2] col = [0, 2, 2, 0, 1, 2] data = [1, 2, 3, 4, 5, 6] sparse_matrix = csr_matrix((data, (row, col)), shape=(3, 3)) # Represent sparse vector using the sparse matrix sparse_vector = sparse_matrix.getrow(0)
Список словарей (в формате
{dimension_index: value, ...}
)# Represent sparse vector using a dictionary sparse_vector = [{1: 0.5, 100: 0.3, 500: 0.8, 1024: 0.2, 5000: 0.6}]
SortedMap<Long, Float> sparseVector = new TreeMap<>(); sparseVector.put(1L, 0.5f); sparseVector.put(100L, 0.3f); sparseVector.put(500L, 0.8f); sparseVector.put(1024L, 0.2f); sparseVector.put(5000L, 0.6f);
Список итераторов кортежей (в формате
[(dimension_index, value)]
)# Represent sparse vector using a list of tuples sparse_vector = [[(1, 0.5), (100, 0.3), (500, 0.8), (1024, 0.2), (5000, 0.6)]]
Добавьте векторное поле
Чтобы использовать разреженные векторы в Milvus, при создании коллекции определите поле для хранения разреженных векторов. Этот процесс включает в себя.
Установка
datatype
в поддерживаемый тип данных разреженного вектора,SPARSE_FLOAT_VECTOR
.Размерность указывать не нужно.
from pymilvus import MilvusClient, DataType
client = MilvusClient(uri="http://localhost:19530")
client.drop_collection(collection_name="my_sparse_collection")
schema = client.create_schema(
auto_id=True,
enable_dynamic_fields=True,
)
schema.add_field(field_name="pk", datatype=DataType.VARCHAR, is_primary=True, max_length=100)
schema.add_field(field_name="sparse_vector", datatype=DataType.SPARSE_FLOAT_VECTOR)
import io.milvus.v2.client.ConnectConfig;
import io.milvus.v2.client.MilvusClientV2;
import io.milvus.v2.common.DataType;
import io.milvus.v2.service.collection.request.AddFieldReq;
import io.milvus.v2.service.collection.request.CreateCollectionReq;
MilvusClientV2 client = new MilvusClientV2(ConnectConfig.builder()
.uri("http://localhost:19530")
.build());
CreateCollectionReq.CollectionSchema schema = client.createSchema();
schema.setEnableDynamicField(true);
schema.addField(AddFieldReq.builder()
.fieldName("pk")
.dataType(DataType.VarChar)
.isPrimaryKey(true)
.autoID(true)
.maxLength(100)
.build());
schema.addField(AddFieldReq.builder()
.fieldName("sparse_vector")
.dataType(DataType.SparseFloatVector)
.build());
import { DataType } from "@zilliz/milvus2-sdk-node";
const schema = [
{
name: "metadata",
data_type: DataType.JSON,
},
{
name: "pk",
data_type: DataType.Int64,
is_primary_key: true,
},
{
name: "sparse_vector",
data_type: DataType.SparseFloatVector,
}
];
export primaryField='{
"fieldName": "pk",
"dataType": "VarChar",
"isPrimary": true,
"elementTypeParams": {
"max_length": 100
}
}'
export vectorField='{
"fieldName": "sparse_vector",
"dataType": "SparseFloatVector"
}'
export schema="{
\"autoID\": true,
\"fields\": [
$primaryField,
$vectorField
]
}"
В этом примере для хранения разреженных векторов добавлено векторное поле с именем sparse_vector
. Тип данных этого поля - SPARSE_FLOAT_VECTOR
.
Установка параметров индекса для векторного поля
Процесс создания индекса для разреженных векторов аналогичен процессу создания индекса для плотных векторов, но с отличиями в заданном типе индекса (index_type
), метрике расстояния (metric_type
) и параметрах индекса (params
).
index_params = client.prepare_index_params()
index_params.add_index(
field_name="sparse_vector",
index_name="sparse_inverted_index",
index_type="SPARSE_INVERTED_INDEX",
metric_type="IP",
params={"inverted_index_algo": "DAAT_MAXSCORE"},
)
import io.milvus.v2.common.IndexParam;
import java.util.*;
List<IndexParam> indexes = new ArrayList<>();
Map<String,Object> extraParams = new HashMap<>();
extraParams.put("inverted_index_algo": "DAAT_MAXSCORE");
indexes.add(IndexParam.builder()
.fieldName("sparse_vector")
.indexName("sparse_inverted_index")
.indexType(IndexParam.IndexType.SPARSE_INVERTED_INDEX)
.metricType(IndexParam.MetricType.IP)
.extraParams(extraParams)
.build());
const indexParams = await client.createIndex({
index_name: 'sparse_inverted_index',
field_name: 'sparse_vector',
metric_type: MetricType.IP,
index_type: IndexType.SPARSE_INVERTED_INDEX,
params: {
inverted_index_algo: 'DAAT_MAXSCORE',
},
});
export indexParams='[
{
"fieldName": "sparse_vector",
"metricType": "IP",
"indexName": "sparse_inverted_index",
"indexType": "SPARSE_INVERTED_INDEX",
"params":{"inverted_index_algo": "DAAT_MAXSCORE"}
}
]'
В примере выше:
index_type
: Тип индекса для создания разреженного векторного поля. Допустимые значения:SPARSE_INVERTED_INDEX
: Инвертированный индекс общего назначения для разреженных векторов.
Начиная с Milvus 2.5.4 и далее,
SPARSE_WAND
устаревает. Вместо него рекомендуется использовать"inverted_index_algo": "DAAT_WAND"
для эквивалентности и сохранения совместимости.metric_type
: Метрика, используемая для вычисления сходства между разреженными векторами. Допустимые значения:IP
(Внутреннее произведение): Измеряет сходство с помощью точечного произведения.BM25
: Обычно используется для полнотекстового поиска, фокусируясь на текстовом сходстве.Более подробную информацию см. в разделе Типы метрик и полнотекстовый поиск.
params.inverted_index_algo
: Алгоритм, используемый для построения и запроса индекса. Допустимые значения:"DAAT_MAXSCORE"
(по умолчанию): Оптимизированная обработка запросов Document-at-a-Time (DAAT) с использованием алгоритма MaxScore. MaxScore обеспечивает лучшую производительность при больших значениях k или запросах с большим количеством терминов, пропуская термины и документы, которые, вероятно, будут иметь минимальное влияние. Это достигается путем разделения терминов на существенные и несущественные группы на основе их максимальных баллов влияния, фокусируясь на терминах, которые могут внести вклад в результаты top-k."DAAT_WAND"
: Оптимизированная обработка запросов DAAT с помощью алгоритма WAND. WAND оценивает меньшее количество документов, попавших в запрос, используя максимальные оценки влияния для пропуска неконкурентных документов, но при этом имеет более высокие накладные расходы в расчете на одно попадание. Это делает WAND более эффективным для запросов с небольшими значениями k или коротких запросов, где пропуск документов более целесообразен."TAAT_NAIVE"
: Обработка запросов с использованием базового термина (TAAT). Хотя он медленнее, чемDAAT_MAXSCORE
иDAAT_WAND
,TAAT_NAIVE
обладает уникальным преимуществом. В отличие от алгоритмов DAAT, использующих кэшированные оценки максимального влияния, которые остаются статичными независимо от изменений глобального параметра коллекции (avgdl),TAAT_NAIVE
динамически адаптируется к таким изменениям.
Создание коллекции
После того как настройки разреженного вектора и индекса завершены, можно создать коллекцию, содержащую разреженные векторы. В примере ниже используется метод create_collection
для создания коллекции с именем my_sparse_collection
.
client.create_collection(
collection_name="my_sparse_collection",
schema=schema,
index_params=index_params
)
import io.milvus.v2.client.ConnectConfig;
import io.milvus.v2.client.MilvusClientV2;
MilvusClientV2 client = new MilvusClientV2(ConnectConfig.builder()
.uri("http://localhost:19530")
.build());
CreateCollectionReq requestCreate = CreateCollectionReq.builder()
.collectionName("my_sparse_collection")
.collectionSchema(schema)
.indexParams(indexes)
.build();
client.createCollection(requestCreate);
import { MilvusClient } from "@zilliz/milvus2-sdk-node";
const client = new MilvusClient({
address: 'http://localhost:19530'
});
await client.createCollection({
collection_name: 'my_sparse_collection',
schema: schema,
index_params: indexParams
});
curl --request POST \
--url "${CLUSTER_ENDPOINT}/v2/vectordb/collections/create" \
--header "Authorization: Bearer ${TOKEN}" \
--header "Content-Type: application/json" \
-d "{
\"collectionName\": \"my_sparse_collection\",
\"schema\": $schema,
\"indexParams\": $indexParams
}"
Вставка данных
После создания коллекции вставьте данные, содержащие разреженные векторы.
sparse_vectors = [
{"sparse_vector": {1: 0.5, 100: 0.3, 500: 0.8}},
{"sparse_vector": {10: 0.1, 200: 0.7, 1000: 0.9}},
]
client.insert(
collection_name="my_sparse_collection",
data=sparse_vectors
)
import com.google.gson.Gson;
import com.google.gson.JsonObject;
import io.milvus.v2.service.vector.request.InsertReq;
import io.milvus.v2.service.vector.response.InsertResp;
List<JsonObject> rows = new ArrayList<>();
Gson gson = new Gson();
{
JsonObject row = new JsonObject();
SortedMap<Long, Float> sparse = new TreeMap<>();
sparse.put(1L, 0.5f);
sparse.put(100L, 0.3f);
sparse.put(500L, 0.8f);
row.add("sparse_vector", gson.toJsonTree(sparse));
rows.add(row);
}
{
JsonObject row = new JsonObject();
SortedMap<Long, Float> sparse = new TreeMap<>();
sparse.put(10L, 0.1f);
sparse.put(200L, 0.7f);
sparse.put(1000L, 0.9f);
row.add("sparse_vector", gson.toJsonTree(sparse));
rows.add(row);
}
InsertResp insertR = client.insert(InsertReq.builder()
.collectionName("my_sparse_collection")
.data(rows)
.build());
const data = [
{ sparse_vector: { "1": 0.5, "100": 0.3, "500": 0.8 } },
{ sparse_vector: { "10": 0.1, "200": 0.7, "1000": 0.9 } },
];
client.insert({
collection_name: "my_sparse_collection",
data: data,
});
curl --request POST \
--url "${CLUSTER_ENDPOINT}/v2/vectordb/entities/insert" \
--header "Authorization: Bearer ${TOKEN}" \
--header "Content-Type: application/json" \
-d '{
"data": [
{"sparse_vector": {"1": 0.5, "100": 0.3, "500": 0.8}},
{"sparse_vector": {"10": 0.1, "200": 0.7, "1000": 0.9}}
],
"collectionName": "my_sparse_collection"
}'
## {"code":0,"cost":0,"data":{"insertCount":2,"insertIds":["453577185629572534","453577185629572535"]}}
Выполнить поиск по сходству
Чтобы выполнить поиск по сходству с использованием разреженных векторов, подготовьте вектор запроса и параметры поиска.
# Prepare search parameters
search_params = {
"params": {"drop_ratio_search": 0.2}, # Additional optional search parameters
}
# Prepare the query vector
query_vector = [{1: 0.2, 50: 0.4, 1000: 0.7}]
В этом примере drop_ratio_search
- необязательный параметр специально для разреженных векторов, позволяющий тонко настраивать малые значения в векторе запроса во время поиска. Например, при использовании {"drop_ratio_search": 0.2}
наименьшие 20 % значений в векторе запроса будут игнорироваться во время поиска.
Затем выполните поиск сходства, используя метод search
.
res = client.search(
collection_name="my_sparse_collection",
data=query_vector,
limit=3,
output_fields=["pk"],
search_params=search_params,
)
print(res)
# Output
# data: ["[{'id': '453718927992172266', 'distance': 0.6299999952316284, 'entity': {'pk': '453718927992172266'}}, {'id': '453718927992172265', 'distance': 0.10000000149011612, 'entity': {'pk': '453718927992172265'}}]"]
import io.milvus.v2.service.vector.request.SearchReq;
import io.milvus.v2.service.vector.request.data.SparseFloatVec;
import io.milvus.v2.service.vector.response.SearchResp;
Map<String,Object> searchParams = new HashMap<>();
searchParams.put("drop_ratio_search", 0.2);
SortedMap<Long, Float> sparse = new TreeMap<>();
sparse.put(10L, 0.1f);
sparse.put(200L, 0.7f);
sparse.put(1000L, 0.9f);
SparseFloatVec queryVector = new SparseFloatVec(sparse);
SearchResp searchR = client.search(SearchReq.builder()
.collectionName("my_sparse_collection")
.data(Collections.singletonList(queryVector))
.annsField("sparse_vector")
.searchParams(searchParams)
.topK(3)
.outputFields(Collections.singletonList("pk"))
.build());
System.out.println(searchR.getSearchResults());
// Output
//
// [[SearchResp.SearchResult(entity={pk=453444327741536759}, score=1.31, id=453444327741536759), SearchResp.SearchResult(entity={pk=453444327741536756}, score=1.31, id=453444327741536756), SearchResp.SearchResult(entity={pk=453444327741536753}, score=1.31, id=453444327741536753)]]
client.search({
collection_name: 'my_sparse_collection',
data: {1: 0.2, 50: 0.4, 1000: 0.7},
limit: 3,
output_fields: ['pk'],
params: {
drop_ratio_search: 0.2
}
});
curl --request POST \
--url "${CLUSTER_ENDPOINT}/v2/vectordb/entities/search" \
--header "Authorization: Bearer ${TOKEN}" \
--header "Content-Type: application/json" \
-d '{
"collectionName": "my_sparse_collection",
"data": [
{"1": 0.2, "50": 0.4, "1000": 0.7}
],
"annsField": "sparse_vector",
"limit": 3,
"searchParams":{
"params":{"drop_ratio_search": 0.2}
},
"outputFields": ["pk"]
}'
## {"code":0,"cost":0,"data":[{"distance":0.63,"id":"453577185629572535","pk":"453577185629572535"},{"distance":0.1,"id":"453577185629572534","pk":"453577185629572534"}]}
Дополнительные сведения о параметрах поиска по сходству см. в разделе Базовый поиск ANN.
Ограничения
При использовании разреженных векторов в Milvus учитывайте следующие ограничения:
В настоящее время для разреженных векторов поддерживаются только метрики расстояния IP и BM25 (для полнотекстового поиска). Высокая размерность разреженных векторов делает L2 и косинусное расстояние нецелесообразными.
Для полей разреженных векторов поддерживается только тип индекса SPARSE_INVERTED_INDEX.
Типы данных, поддерживаемые для разреженных векторов:
- Размерная часть должна быть беззнаковым 32-битным целым числом;
- Часть значения может быть неотрицательным 32-битным числом с плавающей точкой.
Разреженные векторы должны удовлетворять следующим требованиям для вставки и поиска:
- Хотя бы одно значение в векторе ненулевое;
- Индексы вектора неотрицательны.
ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ
Может ли размерность разреженного вложения быть любой дискретной величиной в пространстве uint32?
Да, за одним исключением. Размерность разреженного вложения может быть любой величиной в диапазоне
[0, maximum of uint32)
. Это означает, что вы не можете использовать максимальное значение uint32.Поиск в растущих сегментах осуществляется через индекс или методом грубой силы?
Поиск по растущим сегментам осуществляется через индекс того же типа, что и индекс запечатанного сегмента. Для новых растущих сегментов до построения индекса используется поиск методом грубой силы.
Можно ли в одной коллекции иметь как разреженные, так и плотные векторы?
Да, благодаря поддержке нескольких типов векторов можно создавать коллекции, содержащие как разреженные, так и плотные векторные столбцы, и выполнять в них гибридный поиск.