稀疏向量
稀疏向量是資訊檢索和自然語言處理中重要的資料表示方法。雖然密集向量因其優異的語意理解能力而廣受歡迎,但在需要精確匹配關鍵字或詞組的應用程式時,稀疏向量通常能提供更精確的結果。
概述
稀疏向量是高維向量的一種特殊表示形式,其中大部分元素為零,只有少數維度有非零值。這個特性使得稀疏向量在處理大規模、高維但稀疏的資料時特別有效。常見的應用包括
文字分析:將文件表示為字袋向量,其中每個維度對應一個字,只有在文件中出現的字才有非零值。
推薦系統:使用者與物品互動矩陣,其中每個維度代表使用者對特定物品的評價,大多數使用者只與少數物品互動。
影像處理:局部特徵表示法,只針對影像中的關鍵點,產生高維度的稀疏向量。
如下圖所示,密集向量通常表示為連續陣列,其中每個位置都有一個值 (例如[0.3, 0.8, 0.2, 0.3, 0.1]
)。相反地,稀疏向量只儲存非零元素及其索引,通常以鍵值對來表示 (例如:[{2: 0.2}, ..., {9997: 0.5}, {9999: 0.7}]
)。這種表示方式可大幅減少儲存空間並提昇計算效率,尤其是在處理極高維數據 (例如 10,000 維) 時。
稀疏向量表示法
稀疏向量可以使用各種方法產生,例如文字處理中的TF-IDF(TermFrequency-Inverse Document Frequency)和BM25。此外,Milvus 也提供方便的方法來協助產生和處理稀疏向量。詳情請參閱嵌入。
對於文字資料,Milvus 也提供全文檢索功能,讓您可以直接在原始文字資料上執行向量檢索,而無需使用外部嵌入模型來產生稀疏向量。如需詳細資訊,請參閱全文檢索。
向量化之後,資料可以儲存在 Milvus 中進行管理和向量檢索。下圖說明基本流程。
在 Milvus 中使用稀疏向量
在 Milvus 中使用稀疏向量
Milvus 支援以下列任何一種格式來表示稀疏向量。
稀疏矩陣 (使用
scipy.sparse
class)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)
字典清單 (格式為
{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);
元組迭代器清單 (格式如
[(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)]]
新增向量領域
要在 Milvus 中使用稀疏向量,請在建立集合時定義一個欄位來儲存稀疏向量。這個過程包括
設定
datatype
為支援的稀疏向量資料類型,SPARSE_FLOAT_VECTOR
。不需要指定維度。
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
]
}"
在這個範例中,新增了一個名為sparse_vector
的向量欄位,用來儲存稀疏向量。這個欄位的資料類型是SPARSE_FLOAT_VECTOR
。
為向量欄位設定索引參數
為稀疏向量建立索引的過程與為密集向量建立索引的過程相似,但在指定的索引類型 (index_type
) 、距離度量 (metric_type
) 和索引參數 (params
) 上有所不同。
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"}
}
]'
在上面的範例中
index_type
:要為稀疏向量場建立的索引類型。有效值:SPARSE_INVERTED_INDEX
:稀疏向量的通用反演索引。
從 Milvus 2.5.4 起,
SPARSE_WAND
已經被廢棄。取而代之,建議使用"inverted_index_algo": "DAAT_WAND"
以達到等效,同時保持相容性。metric_type
:用來計算稀疏向量之間相似性的度量。有效值:params.inverted_index_algo
:用於建立和查詢索引的演算法。有效值:"DAAT_MAXSCORE"
(預設):使用 MaxScore 演算法的最佳化 Document-at-a-Time (DAAT) 查詢處理。MaxScore 可跳過可能影響最小的詞彙和文件,為高 k 值或包含許多詞彙的查詢提供更好的效能。為了達到這個目的,MaxScore 會根據最大影響分數,將詞彙分為必要和非必要兩組,並將重點放在對 top-k 結果有貢獻的詞彙上。"DAAT_WAND"
:使用 WAND 演算法優化 DAAT 查詢處理。WAND 利用最大影響分數跳過非競爭性文件,評估較少的命中文件,但每次命中的開銷較高。這使得 WAND 對於 k 值較小的查詢或較短的查詢更有效率,在這些情況下跳過是較可行的。"TAAT_NAIVE"
:Basic Term-at-a-Time (TAAT) 查詢處理。雖然與DAAT_MAXSCORE
和DAAT_WAND
相比較慢,但TAAT_NAIVE
提供了獨特的優勢。DAAT 演算法使用快取的最大影響分數,不論全域集合參數 (avgdl) 有何改變,這些分數都會保持靜態,而TAAT_NAIVE
則不同,它會動態地適應這些改變。
建立集合
稀疏向量和索引設定完成後,就可以建立包含稀疏向量的集合。以下範例使用 create_collection
方法來建立一個名為my_sparse_collection
的集合。
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\": $indexParams
}"
插入資料
建立集合後,插入包含稀疏向量的資料。
sparse_vectors = [
{"sparse_vector": {1: 0.5, 100: 0.3, 500: 0.8}},
{"sparse_vector": {10: 0.1, 200: 0.7, 1000: 0.9}},
]
client.insert(
collection_name="my_sparse_collection",
data=sparse_vectors
)
import com.google.gson.Gson;
import com.google.gson.JsonObject;
import io.milvus.v2.service.vector.request.InsertReq;
import io.milvus.v2.service.vector.response.InsertResp;
List<JsonObject> rows = new ArrayList<>();
Gson gson = new Gson();
{
JsonObject row = new JsonObject();
SortedMap<Long, Float> sparse = new TreeMap<>();
sparse.put(1L, 0.5f);
sparse.put(100L, 0.3f);
sparse.put(500L, 0.8f);
row.add("sparse_vector", gson.toJsonTree(sparse));
rows.add(row);
}
{
JsonObject row = new JsonObject();
SortedMap<Long, Float> sparse = new TreeMap<>();
sparse.put(10L, 0.1f);
sparse.put(200L, 0.7f);
sparse.put(1000L, 0.9f);
row.add("sparse_vector", gson.toJsonTree(sparse));
rows.add(row);
}
InsertResp insertR = client.insert(InsertReq.builder()
.collectionName("my_sparse_collection")
.data(rows)
.build());
const data = [
{ sparse_vector: { "1": 0.5, "100": 0.3, "500": 0.8 } },
{ sparse_vector: { "10": 0.1, "200": 0.7, "1000": 0.9 } },
];
client.insert({
collection_name: "my_sparse_collection",
data: data,
});
curl --request POST \
--url "${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"]}}
執行相似性搜尋
若要使用稀疏向量執行相似性搜尋,請準備查詢向量和搜尋參數。
# 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}]
在本範例中,drop_ratio_search
是專門針對稀疏向量的可選參數,允許在搜尋過程中微調查詢向量中的小值。例如,使用{"drop_ratio_search": 0.2}
時,查詢向量中最小的 20% 值會在搜尋過程中被忽略。
然後,使用search
方法執行相似性搜尋。
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"}]}
有關相似性搜尋參數的詳細資訊,請參閱基本 ANN 搜尋。
限制
在 Milvus 中使用稀疏向量時,請考慮下列限制:
目前,稀疏向量只支援IP和BM25(用於全文檢索)距離度量。稀疏向量的高維度使得 L2 和余弦距離不切實際。
對於稀疏向量欄位,只支援SPARSE_INVERTED_INDEX索引類型。
稀疏向量支援的資料類型:
- 維度部分必須是無符號的 32 位元整數;
- 值部分可以是非負 32 位元浮點數。
稀疏向量必須符合下列插入和搜尋的要求:
- 向量中至少有一個值是非零的;
- 向量索引是非負數。
常見問題
稀疏嵌入的維度可以是 uint32 空間內的任何離散值嗎?
可以,但有一個例外。稀疏嵌入的維度可以是
[0, maximum of uint32)
範圍內的任何值。這表示您不能使用 uint32 的最大值。對成長中的區段進行搜尋時,是透過索引還是暴力搜尋?
對成長中區段的搜尋是透過與封存區段索引相同類型的索引進行。對於索引建立前的新成長區段,會使用暴力搜尋。
是否可以在單一集合中同時擁有稀疏向量和密集向量?
可以,透過多重向量類型支援,您可以建立同時具有稀疏和密集向量列的集合,並對它們執行混合搜尋。