電子發燒友App
矢量數據庫目前在科技界風靡一時，而不僅僅是炒作。由于利用矢量嵌入的人工智能進步，矢量搜索變得越來越重要。這些向量嵌入是單詞嵌入、句子或文檔的向量表示，只需查看向量之間的距離度量，即可為語義接近的輸入提供語義相似性。
word2vec 的規范示例，其中單詞“king”的嵌入非常接近單詞“queen”、“man”和“woman”的向量的結果向量，當按以下公式排列時：
king - man + woman ≈ queen
事實上，這對我來說總是很神奇，但如果我們的嵌入空間具有足夠高的維度，它甚至適用于相當大的文檔。使用現代深度學習方法，您可以獲得復雜文檔的出色嵌入。
對于 TerminusDB，我們需要一種方法來利用這些類型的嵌入來完成用戶要求的以下任務：
全文搜索
實體解析（查找可能與重復數據刪除相同的其他文檔）
相似性搜索（相關內容或推薦系統）
聚類
我們決定使用OpenAI的嵌入進行原型設計，但為了獲得其余的功能，我們需要一個矢量數據庫。
我們需要一些不尋常的功能，包括執行增量索引的能力，以及索引提交基礎的能力，以便我們準確地知道索引適用于什么提交。這使我們能夠將索引放入 CI 工作流中。
野外不存在版本化的開源矢量數據庫。所以我們寫了一個！
編寫矢量數據庫
向量數據庫是向量的存儲，能夠使用某些指標比較任意兩個向量。度量可以是很多不同的東西，例如歐幾里得距離、余弦相似性、出租車幾何，或者任何遵守定義度量空間所需的三角形不等式規則的東西。
為了快速做到這一點，您需要有某種索引結構來快速找到已經接近比較的候選人。否則，許多操作每次都需要與數據庫中的每個內容進行比較。
有許多方法可以索引向量空間，但我們使用了HNSW（分層可導航小世界）圖（參見Malkov和Yashunin）。HNSW易于理解，在低尺寸和高尺寸上都具有良好的性能，因此具有靈活性。最重要的是，我們發現了一個非常清晰的開源實現 - 用于 Rust 計算機視覺的 HNSW。
存儲向量
向量存儲在域中。這有助于分離不需要描述相同載體的不同載體存儲。對于TerminusDB，我們有許多不同的提交，它們都與相同的向量有關，因此將它們全部放入同一域中非常重要。
矢量存儲是基于頁面的，其中每個緩沖區都設計為清晰地映射到操作系統頁面，但適合我們緊密使用的矢量。我們為每個向量分配一個索引，然后我們可以從索引映射到適當的頁面和偏移量。
在 HNSW 索引中，我們指的是 .這可確保頁面位于當前加載的緩沖區中，以便我們可以對感興趣的向量執行指標比較。LoadedVec
一旦最后一個緩沖區從緩沖區中刪除，就可以將緩沖區添加回緩沖池中，以用于加載新頁面。LoadedVec
創建版本化索引
我們為每個（域+提交）對構建一個HNSW結構。如果開始一個新索引，我們從一個空的 HNSW 開始。如果從上一次提交啟動增量索引，則從上一次提交加載舊的 HNSW，然后開始索引操作。
新舊的內容都保存在TerminusDB中，它知道如何查找提交之間的更改，并可以將它們提交給矢量數據庫索引器。索引器只需要知道要求它執行的操作（即、、）。InsertDeleteReplace
我們將索引本身維護在 LRU 池中，該池允許我們按需加載或在索引已在內存中使用緩存。由于我們只在提交時執行破壞性操作，因此此緩存始終是一致的。
當我們保存索引時，我們使用原始向量索引作為替代物序列化結構，這有助于保持索引較小。LoadedVec
將來，我們希望使用我們在 TerminusDB 中學到的一些技巧來保留索引層，這樣就可以添加新層，而無需每個增量索引在序列化時添加副本。但是，與我們存儲的向量相比，索引已經足夠小，因此它并不重要。
注意：雖然我們目前進行增量索引，但我們尚未實現刪除和替換操作（一周只有這么多小時！我讀過關于HNSW的文獻，似乎還沒有很好的描述。
我們有一個刪除和替換操作的設計，我們認為它可以很好地與HNSW配合使用，并希望在技術人員有想法的情況下進行解釋：
如果我們在 HNSW 的上層，那么只需忽略刪除 - 這應該無關緊要，因為大多數向量不在上層，而那些只是為了導航。
如果我們在零層但不在上層，請從索引中刪除節點，同時嘗試根據接近度替換已刪除鏈接的所有鄰居之間的鏈接。
如果我們在零層但也在上面，將節點標記為已刪除，并將其用于導航，但不將此節點存儲在候選池中。
查找嵌入
我們使用OpenAI來定義我們的嵌入，在向TerminusDB發出索引請求后，我們將每個文檔提供給OpenAI，OpenAI以JSON形式返回浮點向量列表。
事實證明，嵌入對上下文非常敏感。我們最初嘗試只提交TerminusDB JSON文檔，結果并不好。
但是，我們發現，如果我們定義一個 GraphQL 查詢 + Handlebars 模板，我們可以創建非常高質量的嵌入。因為在《星球大戰》中，在我們的模式中定義的這對看起來像這樣：People
?
{
"embedding": {
"query": "query($id: ID){ People(id : $id) { birth_year, created, desc, edited, eye_color, gender, hair_colors, height, homeworld { label }, label, mass, skin_colors, species { label }, url } }",
"template": "The person's name is {{label}}.{{#if desc}} They are described with the following synopsis: {{#each desc}} *{{this}} {{/each}}.{{/if}}{{#if gender}} Their gender is {{gender}}.{{/if}}{{#if hair_colors}} They have the following hair colours: {{hair_colors}}.{{/if}}{{#if mass}} They have a mass of {{mass}}.{{/if}}{{#if skin_colors}} Their skin colours are {{skin_colors}}.{{/if}}{{#if species}} Their species is {{species.label}}.{{/if}}{{#if homeworld}} Their homeworld is {{homeworld.label}}.{{/if}}"
}
}
?
對象中每個字段的含義都呈現為文本，這有助于OpenAI理解我們的意思，提供更好的語義。People
最終，如果我們能從模式文檔和模式結構的組合中猜出這些句子，那就太好了，這可能也可以使用 AI 聊天！但就目前而言，這非常有效，不需要太多的技術復雜性。
為星球大戰編制索引
那么當我們實際運行這個東西時會發生什么？好吧，我們在《星球大戰》數據產品上進行了嘗試，看看會發生什么。
首先，我們發出一個索引請求，我們的索引器從 TerminusDB 獲取信息：
?
curl 'localhost:8080/index?commit=o2uq7k1mrun1vp4urktmw55962vlpto&domain=admin/star_wars'
這將返回一個任務 ID，我們可以使用它來輪詢端點以完成。
域和提交的索引文件和向量文件顯示為：和 。admin/star_warso2uq7k1mrun1vp4urktmw55962vlptoadmin%[email protected]%2Fstar_wars.vecs
現在，我們可以在指定的提交時向語義索引服務器詢問我們的文檔。
curl 'localhost:8080/search?commit=o2uq7k1mrun1vp4urktmw55962vlpto&domain=admin/star_wars' -d "Who are the squid people"
我們以 JSON 的形式返回許多結果，如下所示：
?
[{"id":"terminusdb:///star-wars/Species/8","distance":0.09396297}, ...]但是我們用來產生這個結果的嵌入字符串是什么？以下是 id 的文本呈現方式：Species/8
?
"The species name is Mon Calamari. They have the following hair colours:
none. Their skin colours are red, blue, brown, magenta. They speak the
Mon Calamarian language."
?
了不起！請注意，它從不在任何地方說魷魚！我們的嵌入在這里做了一些非常驚人的工作。
讓我們再試一次：
?
curl 'localhost:8080/search?commit=o2uq7k1mrun1vp4urktmw55962vlpto&domain=admin/star_wars' -d "Wise old man"
"The person's name is Yoda. They are described with the following synopsis:
Lucas, first appearing in the 1980 film The Empire Strikes Back. In the
original films, he trains Luke Skywalker to fight against the Galactic
Empire. In the prequel films, he serves as the Grand Master of the Jedi
Order and as a high-ranking general of Clone Troopers in the Clone Wars.
Following his death in Return of the Jedi at the age of 900, Yoda was the
oldest living character in the Star Wars franchise in canon, until the
introduction of Maz Kanata in Star Wars: The Force Awakens. Their gender
is male. They have the following hair colours: white. They have a mass of
17. Their skin colours are green."
?
?
不可思議！雖然我們在文本中確實說“最古老”，但我們沒有說“聰明”或“人”！
我希望您能看到這對您獲得高質量的數據語義索引有何幫助！
結論
我們還添加了端點來查找相鄰文檔并查找搜索整個語料庫的重復項。后者被用于一些基準測試，表現令人欽佩。我們希望很快在這里展示這些實驗的結果。
雖然在野外確實有很棒的矢量數據庫，例如Pinecone，但我們希望有一個與TerminusDB很好地集成的sidecar，它可以用于主要關心內容并且不會啟動自己的矢量數據庫的技術水平較低的用戶。
審核編輯：郭婷
工商網監
評論