メインコンテンツまでスキップ

基本的なベクトル検索

ベクトル埋め込みのソート順を記録したインデックスファイルに基づき、Approximate Nearest Neighbor（ANN）検索は、受信した検索リクエストに含まれるクエリベクトルに基づいてベクトル埋め込みのサブセットを特定し、そのサブグループ内のベクトルとクエリベクトルを比較して、最も類似した結果を返します。ANN 検索により、Zilliz Cloud は効率的な検索体験を提供します。このページでは、基本的な ANN 検索の実行方法を学べます。

Notes

コレクションの作成後に新しいフィールドを追加した場合、それらのフィールドを含む検索では、値を明示的に設定していないエンティティに対して、定義されたデフォルト値または NULL が返されます。詳細については、コレクション スキーマの変更 を参照してください。

概要​

ANN 検索と k-Nearest Neighbors（kNN）検索は、ベクトル類似検索で一般的に使用される手法です。kNN 検索では、最も類似したベクトルを特定する前に、ベクトル空間内のすべてのベクトルを検索リクエストに含まれるクエリベクトルと比較する必要があるため、時間とリソースを多く消費します。

kNN 検索とは異なり、ANN 検索アルゴリズムでは、ベクトル埋め込みのソート順を記録した インデックス ファイルが必要です。検索リクエストを受信すると、このインデックスファイルを参照して、クエリベクトルに最も類似したベクトル埋め込みを含む可能性が高いサブグループをすばやく特定できます。その後、指定した メトリクスタイプ を使用してクエリベクトルとサブグループ内のベクトルとの類似度を測定し、クエリベクトルとの類似度に基づいてグループのメンバーを並べ替え、top-K のグループメンバーを特定できます。

ANN 検索は事前に構築されたインデックスに依存しており、選択するインデックスタイプによって検索スループット、メモリ使用量、検索の正確性が変化する場合があります。検索パフォーマンスと正確性のバランスを取る必要があります。

学習コストを下げるために、Zilliz Cloud は AUTOINDEX を提供しています。AUTOINDEX を使用すると、Zilliz Cloud はインデックスの構築中にコレクション内のデータ分布を分析し、その分析に基づいて最適化されたインデックスパラメータを設定し、検索パフォーマンスと正確性のバランスを取ることができます。

AUTOINDEX と適用可能なメトリクスタイプの詳細については、AUTOINDEX の解説 および メトリクスタイプ を参照してください。このセクションでは、次のトピックに関する詳細情報を確認できます。

ANN 検索において、単一ベクトル検索とは、クエリベクトルを 1 つだけ使用する検索を指します。事前に構築されたインデックスと検索リクエストに含まれるメトリクスタイプに基づいて、Zilliz Cloud はクエリベクトルに最も類似した top-K のベクトルを検索します。

このセクションでは、単一ベクトル検索の実行方法について説明します。検索リクエストには 1 つのクエリベクトルが含まれ、Zilliz Cloud は Inner Product（IP）を使用してクエリベクトルとコレクション内のベクトルとの類似度を計算し、最も類似した 3 件を返します。

python
from pymilvus import MilvusClient

client = MilvusClient(
    uri="YOUR_CLUSTER_ENDPOINT",
    token="YOUR_CLUSTER_TOKEN"
)

# 4. Single vector search
query_vector = [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592]
res = client.search(
    collection_name="quick_setup",
    anns_field="vector",
    data=[query_vector],
    limit=3
)

for hits in res:
    for hit in hits:
        print(hit)

# [
#     [
#         {
#             "id": 551,
#             "distance": 0.08821295201778412,
#             "entity": {}
#         },
#         {
#             "id": 296,
#             "distance": 0.0800950899720192,
#             "entity": {}
#         },
#         {
#             "id": 43,
#             "distance": 0.07794742286205292,
#             "entity": {}
#         }
#     ]
# ]

Milvus は、検索結果をクエリベクトルとの類似度スコアの降順で並べ替えます。類似度スコアはクエリベクトルとの距離とも呼ばれ、その値の範囲は使用するメトリクスタイプによって異なります。

次の表に、適用可能なメトリクスタイプと対応する距離の範囲を示します。

メトリクスタイプ特性距離の範囲
L2値が小さいほど類似度が高くなります。[0, ∞)
IP値が大きいほど類似度が高くなります。[-1, 1]
COSINE値が大きいほど類似度が高くなります。[-1, 1]
JACCARD値が小さいほど類似度が高くなります。[0, 1]
HAMMING値が小さいほど類似度が高くなります。[0, dim(vector)]

同様に、検索リクエストに複数のクエリベクトルを含めることができます。Zilliz Cloud はこれらのクエリベクトルに対して ANN 検索を並列に実行し、2 組の結果を返します。

python
# 7. Search with multiple vectors
# 7.1. Prepare query vectors
query_vectors = [
    [0.041732933, 0.013779674, -0.027564144, -0.013061441, 0.009748648],
    [0.0039737443, 0.003020432, -0.0006188639, 0.03913546, -0.00089768134]
]

# 7.2. Start search
res = client.search(
    collection_name="quick_setup",
    data=query_vectors,
    limit=3,
)

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

# Output
#
# [
#     [
#         {
#             "id": 551,
#             "distance": 0.08821295201778412,
#             "entity": {}
#         },
#         {
#             "id": 296,
#             "distance": 0.0800950899720192,
#             "entity": {}
#         },
#         {
#             "id": 43,
#             "distance": 0.07794742286205292,
#             "entity": {}
#         }
#     ],
#     [
#         {
#             "id": 730,
#             "distance": 0.04431751370429993,
#             "entity": {}
#         },
#         {
#             "id": 333,
#             "distance": 0.04231833666563034,
#             "entity": {}
#         },
#         {
#             "id": 232,
#             "distance": 0.04221535101532936,
#             "entity": {}
#         }
#     ]
# ]

クエリベクトルを設定する代わりに、クエリベクトルが対象のコレクションにすでに存在する場合は、主キーを使用できます。

python
res = client.search(
    collection_name="quick_setup",
    anns_field="vector",
    ids=[551, 296, 43],
    limit=3
)

for hits in res:
    for hit in hits:
        print(hit)

パーティション内の ANN 検索​

コレクション内に複数のパーティションを作成済みで、検索範囲を特定の数のパーティションに絞り込めるものとします。その場合は、検索リクエストに対象のパーティション名を含めることで、検索範囲を指定したパーティション内に制限できます。検索に関与するパーティションの数を減らすと、検索パフォーマンスが向上します。

次のコードスニペットは、コレクション内に PartitionA という名前のパーティションが存在することを前提としています。

python
# 4. Single vector search
query_vector = [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592]
res = client.search(
    collection_name="quick_setup",
    partition_names=["partitionA"],
    data=[query_vector],
    limit=3,
)

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

# [
#     [
#         {
#             "id": 551,
#             "distance": 0.08821295201778412,
#             "entity": {}
#         },
#         {
#             "id": 296,
#             "distance": 0.0800950899720192,
#             "entity": {}
#         },
#         {
#             "id": 43,
#             "distance": 0.07794742286205292,
#             "entity": {}
#         }
#     ]
# ]

出力フィールドの使用​

検索結果には、デフォルトで、Zilliz Cloud は top-K のベクトル埋め込みを含むエンティティのプライマリフィールド値と類似度距離（distance/scores）を含めます。対象フィールド（ベクトルフィールドとスカラーフィールドの両方）の名前を検索リクエストに出力フィールドとして含めると、検索結果にこれらのエンティティの他のフィールドの値を含めることができます。

python
# 4. Single vector search
query_vector = [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592],

res = client.search(
    collection_name="quick_setup",
    data=[query_vector],
    limit=3, # The number of results to return
    output_fields=["color"]
)

print(res)

# [
#     [
#         {
#             "id": 551,
#             "distance": 0.08821295201778412,
#             "entity": {
#                 "color": "orange_6781"
#             }
#         },
#         {
#             "id": 296,
#             "distance": 0.0800950899720192,
#             "entity": {
#                 "color": "red_4794"
#             }
#         },
#         {
#             "id": 43,
#             "distance": 0.07794742286205292,
#             "entity": {
#                 "color": "grey_8510"
#             }
#         }
#     ]
# ]

スカラーフィールドによる検索結果の並べ替え | ONDEMAND​

デフォルトでは、Zilliz Cloud は検索結果をクエリベクトルとの類似度スコア順に並べ替えます。返されるエンティティをスカラーフィールドの順序に従わせる場合は、検索リクエストに order_by_fields を追加します。

order_by_fields の各項目は、スカラーフィールドと並べ替え方向を指定します。昇順には "asc"、降順には "desc" を使用します。order を省略した場合、Zilliz Cloud はそのフィールドを昇順で並べ替えます。

次の例では、検索結果を price の値が低い順から高い順に並べ替えます。レスポンスでフィールドの値を確認する場合は、並べ替えフィールドを output_fields に含めてください。

python
res = client.search(
    collection_name="product_catalog",
    data=query_vectors,
    anns_field="embedding",
    limit=20,
    output_fields=["id", "price", "rating", "category"],
    order_by_fields=[
        {"field": "price", "order": "asc"}
    ],
)

複数のスカラーフィールドで並べ替えることもできます。Zilliz Cloud は指定した順序でフィールドを適用します。次の例では、Zilliz Cloud は結果を price の昇順で並べ替えます。price が同じエンティティについては、続いて Zilliz Cloud は rating の降順で並べ替えます。

python
res = client.search(
    collection_name="product_catalog",
    data=query_vectors,
    anns_field="embedding",
    limit=20,
    output_fields=["id", "price", "rating", "category"],
    order_by_fields=[
        {"field": "price", "order": "asc"},
        {"field": "rating", "order": "desc"},
    ],
)

指定したすべての並べ替え対象フィールドで値が同じエンティティについては、Zilliz Cloud は元の類似度スコアの順序を維持します。

limit と offset の使用​

検索リクエストに含まれる limit パラメータが、検索結果に含めるエンティティの数を決定していることにお気づきかもしれません。このパラメータは、1 回の検索で返すエンティティの最大数を指定するもので、通常 top-K と呼ばれます。

ページ分割されたクエリを実行する場合は、ループを使用して複数の検索リクエストを送信し、各クエリリクエストに Limit パラメータと Offset パラメータを含めます。具体的には、Limit パラメータには現在のクエリ結果に含めるエンティティ数を設定し、Offset にはすでに返されたエンティティの合計数を設定します。

次の表は、一度に 100 エンティティを返す場合に、ページ分割されたクエリで Limit パラメータと Offset パラメータをどのように設定するかを示しています。

クエリクエリごとに返すエンティティ数すでに返されたエンティティの合計数
1 回目のクエリ1000
2 回目のクエリ100100
3 回目のクエリ100200
n 回目のクエリ100100 x (n-1)

1 回の ANN 検索における limit と offset の合計は、16,384 未満にする必要があります。

python
# 4. Single vector search
query_vector = [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592],

res = client.search(
    collection_name="quick_setup",
    data=[query_vector],
    limit=3, # The number of results to return
    search_params={
        "offset": 10 # The records to skip
    }
)

level の使用​

ANN 検索を最適化するために、Zilliz Cloud は、簡素化された検索最適化によって検索精度を制御する level という名前のパラメータを提供しています。

このパラメータの範囲は 1 から 10 で、デフォルトは 1 です。値を大きくすると検索の再現率が向上しますが、検索パフォーマンスは低下します。一般的なケースでは、デフォルト値で最大 90% の再現率が得られます。必要に応じて値を大きくしてください。

Notes

level パラメータは現在も Public Preview です。5 より大きい値を設定できない場合、お使いのクラスターがこの機能に完全には対応していない可能性があります。回避策として、代わりに 1 から 5 の範囲内の値を設定するか、Zilliz Cloud support にお問い合わせください。

python
# 4. Single vector search
query_vector = [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592],

res = client.search(
    collection_name="quick_setup",
    data=[query_vector],
    limit=3, # The number of results to return
    search_params={
        "params": {
            "level": 10 # The precision control
        }
    }
)

再現率の取得​

level パラメータを調整する際に enable_recall_calculation を true に設定すると、異なる level 値での検索精度を評価できます。

Notes

enable_recall_calculation パラメータは現在も Public Preview であり、互換性の問題により使用できない場合があります。支援が必要な場合は、Zilliz Cloud support までお問い合わせください。

python
# 4. Single vector search
query_vector = [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592],

res = client.search(
    collection_name="quick_setup",
    data=[query_vector],
    limit=3, # The number of results to return
    search_params={
        "params": {
            "level": 10 # The precision control,
            "enable_recall_calculation": True # Ask to return recall rate
        }
    }
)

コレクションに TIMESTAMPTZ フィールドがある場合、検索呼び出しで timezone パラメータを設定することで、単一の操作に限り、データベースまたはコレクションのデフォルトのタイムゾーンを一時的に上書きできます。これは、操作中に TIMESTAMPTZ の値がどのように表示され、比較されるかを制御します。

timezone の値は、有効な IANA time zone identifier（例：Asia/Shanghai, America/Chicago, UTC など）である必要があります。TIMESTAMPTZ フィールドの使用方法の詳細については、TIMESTAMPTZ フィールド を参照してください。

次の例では、検索操作のタイムゾーンを一時的に設定する方法を示します。

python
res = client.search(
    collection_name="quick_setup",
    anns_field="vector",
    data=[query_vector],
    limit=3,
    timezone="America/Havana",
)

AUTOINDEX は ANN 検索の学習コストを大幅に軽減します。ただし、top-K が大きくなるにつれて、検索結果が常に正確であるとは限りません。検索範囲の縮小、検索結果の関連性の向上、検索結果の多様化により、Zilliz Cloud は次の検索強化機能を実現しています。

  • フィルタ付き検索

    検索リクエストにフィルタリング条件を含めると、Zilliz Cloud は ANN 検索を実行する前にメタデータフィルタリングを実施し、検索範囲をコレクション全体から、指定したフィルタリング条件に一致するエンティティのみに絞り込むことができます。

    メタデータフィルタリングとフィルタリング条件の詳細については、フィルタ付き検索 および Filtering Explained を参照してください。

  • 範囲検索

    返されるエンティティの距離またはスコアを特定の範囲内に制限することで、検索結果の関連性を向上させることができます。Zilliz Cloud の範囲検索では、クエリベクトルに最も類似したベクトル埋め込みを中心として 2 つの同心円を描きます。検索リクエストで両方の円の半径を指定すると、Zilliz Cloud は外側の円の内側で内側の円の外側にあるすべてのベクトル埋め込みを返します。

    範囲検索の詳細については、範囲検索 を参照してください。

  • グループ化検索

    返されるエンティティが特定のフィールドで同じ値を持つ場合、検索結果はベクトル空間内のすべてのベクトル埋め込みの分布を表していない可能性があります。検索結果を多様化するには、グループ化検索の使用を検討してください。

    グループ化検索の詳細については、Grouping Search を参照してください。

  • ハイブリッド検索

    コレクションには、異なる埋め込みモデルを使用して生成されたベクトル埋め込みを保存するために、複数のベクトルフィールドを含めることができます。これにより、ハイブリッド検索を使用してこれらのベクトルフィールドからの検索結果を再ランク付けし、再現率を向上させることができます。

    ハイブリッド検索の詳細については、ハイブリッド検索 を参照してください。

    コレクションで許可されるベクトルフィールドの数の制限については、Zilliz Cloud の制限事項 を参照してください。

  • 検索イテレーター

    1 回の ANN 検索で返されるエンティティは最大 16,384 件です。1 回の検索でさらに多くのエンティティを返す必要がある場合は、検索イテレーターの使用を検討してください。

    検索イテレーターの詳細については、Search Iterator を参照してください。

  • フルテキスト検索

    フルテキスト検索は、テキストデータセット内の特定の用語やフレーズを含むドキュメントを取得し、関連性に基づいて結果をランク付けする機能です。この機能は、正確な用語を見落とす可能性があるセマンティック検索の制限を克服し、最も正確で文脈に関連した結果を得られるようにします。さらに、生のテキスト入力を受け付け、テキストデータを自動的にスパース埋め込みに変換するため、ベクトル埋め込みを手動で生成する必要がなくなり、ベクトル検索を簡素化します。

    フルテキスト検索の詳細については、フルテキスト検索 を参照してください。

  • テキストマッチ

    Zilliz Cloud のキーワードマッチを使用すると、特定の用語に基づいてドキュメントを正確に取得できます。この機能は主に、特定の条件を満たすためのフィルタ付き検索に使用され、スカラーフィルタリングを組み込んでクエリ結果を絞り込み、スカラー条件を満たすベクトル内での類似検索を可能にします。

    キーワードマッチの詳細については、テキストマッチ を参照してください。

  • パーティションキーの使用

    メタデータフィルタリングに複数のスカラーフィールドを含め、かなり複雑なフィルタリング条件を使用すると、検索効率に影響する可能性があります。スカラーフィールドをパーティションキーとして設定し、検索リクエストでパーティションキーを含むフィルタリング条件を使用すると、指定したパーティションキーの値に対応するパーティション内に検索範囲を制限するのに役立ちます。

    パーティションキーの詳細については、パーティションキーの使用 を参照してください。

  • mmap の使用

    mmap 設定の詳細については、mmap の使用 を参照してください。

Ctrl I