向量数据库实战详解

为什么需要向量数据库

以NLP的相似问题场景为例。当我们将一个问题通过模型转化成了embedding向量，我们想要找到与这个问题相似的问题，也就是想要找到与embedding向量相似的向量。基本的做法之一，就是遍历备选向量与embedding向量做余弦相似度计算，然后按照计算出的余弦相似度排序，找出最相似的top N。基于向量检索的目的，向量数据库应运而生。向量数据库提供了一种高性能、高可用的查找方式。

接下来，以Annoy和Milvus两种向量数据库的实战为例详解。

Annoy

Annoy 安装很简单：

pip install --user annoy

Annoy是一个基于文件的向量数据库，最主要的三个操作如下：

a.save(fn, prefault=False) saves the index to disk and loads it (see next function). After saving, no more items can be added.

a.load(fn, prefault=False) loads (mmaps) an index from disk. If prefault is set to True, it will pre-read the entire file into memory (using mmap with MAP_POPULATE). Default is False.

a.unload() unloads.

a.get_nns_by_vector(v, n, search_k=-1, include_distances=False) same but query by vector v.

save是保存成索引文件，load是加载索引问题，unload是卸载索引文件。

这里面需要注意的一个关键问题是：

索引文件被进程load以后，才可以进行检索等操作get_nns_by_vector。如果索引文件被某进程A load，那么同时还可以被B load，即支持多进程加载索引文件。可是，这时如果索引内容有变化，想要重新save索引文件，就会报错，即load中的索引文件是无法被save的。只有把检索业务暂停，所有加载索引的进程unload掉索引，才能save更新索引，然后，所有进程再load新的索引，继续检索业务。不难看出，annoy本质上是一个静态索引，不支持动态更新索引。如果，我们业务场景里，需要检索的数据是“千年不变”，那么Annoy是一个上手容易，不需要额外部署开销的选项。

https://github.com/spotify/annoy/issues/191

annoy不支持实时刷新，不支持删除

而实际的业务数据是经常实时变化的，针对索引实时变化这个需求，我们接下来介绍milvus。

Milvus

milvus不同版本差异还比较大，对应的api是不同的，使用方法也是不同的，需要根据实际需求认真选择。在这里，我最终选择的是milvus 1.1.1，接下来我会解释原因。

milvus 1.1.1

安装服务端

sudo docker pull milvusdb/milvus:1.1.1-cpu-d061621-330cc6

sudo mkdir -p /home/$USER/milvus/conf

cd /home/$USER/milvus/conf

sudo vi server_config.yaml

https://raw.githubusercontent.com/milvus-io/milvus/v1.1.1/core/conf/demo/server_config.yaml

安装客户端

pip3 install pymilvus==1.1.2

pymilvus index params — pymilvus 0.2.14 documentation

运行服务端

sudo docker run -d --name milvus_cpu_1.1.1 \

-p 19530:19530 \

-p 19121:19121 \

-v /home/$USER/milvus/db:/var/lib/milvus/db \

-v /home/$USER/milvus/conf:/var/lib/milvus/conf \

-v /home/$USER/milvus/logs:/var/lib/milvus/logs \

-v /home/$USER/milvus/wal:/var/lib/milvus/wal \

milvusdb/milvus:1.1.1-cpu-d061621-330cc6

需要注意

相同的id会重复插入

https://github.com/milvus-io/pymilvus/issues/464

目前重复id需要靠用户自己保证，不能重复插入

如何选择metric_type

Similarity Metrics - Milvus documentation

Milvus距离计算公式

先比对下annoy 和 milvus之间的距离计算方法

annoy	milvus
angular	L2、IP

milvus不支持angular，我们NLP场景选择IP。

SBERT是用cosine-sim，angular 是基于cosine-sim的进一步计算

https://en.wikipedia.org/wiki/Cosine_similarity

a = AnnoyIndex(f, metric)：f 指的是向量的维度，metric 表示度量公式。在这里，Annoy 支持的度量公式包括：”angular”, “euclidean”, “manhattan”, “hamming”, “dot”；

使用IP作为距离计算方法，要求保存到milvus的向量是进行归一化后的向量。

https://www.tensorflow.org/api_docs/python/tf/math/l2_normalize

milvus 2.0.2

安装服务端

pymilvus · PyPI

Install Milvus Standalone - Milvus documentation

sudo apt-get install docker-compose-plugin

milvus 2.0安装_xiedelong的博客-CSDN博客_pymilvus安装

sudo docker search milvus

sudo docker pull milvusdb/milvus

安装客户端

pip3 install pymilvus==2.0.1

运行服务端

wget https://github.com/milvus-io/milvus/releases/download/v2.0.2/milvus-standalone-docker-compose.yml -O docker-compose.yml

sudo apt-get update

sudo apt-get install docker-compose-plugin

sudo docker compose up -d

milvus 2.0里能存放数字scalar

sudo docker compose down —— 关闭服务端

需要注意

同pk数据删除后无法恢复Bug

从milvus中删除pk为key的数据，query查不到了，那么同样的pk为key的数据再次insert后，query也查不到的，即同一个键值只能插入一次，删除后，再插入无法恢复。这是近期才修复的一个bug，没有对应的docker正式版本可以安装使用。所以，2.0.2这个版本对于我当前的业务场景来说，暂时不可用，我选择了milvus 1.1.1。

https://github.com/milvus-io/milvus/pull/17222

distance误差

在使用中我发现A数据插入后，第一次查询A时，能够精确找到A，并且distance是0。可是当删除A以后，再次插入A，也能找到A，只不过distance不是0了，会有非常非常小的误差。这种情况，无论是milvus 2.0.2 还是milvus 1.1.1都一样。通过在milvus 2.0.2中query方法获取embeddings可以看到，embeddings数据在存入时，不是保留小数点后所有数据，而是存在一个截取，也就是你输入的是 0.xxxxxx yyyyy，最后实际保存的是0.xxxxxx，后面被截断了。推测误差可能跟截断有关。因为误差很小，影响暂时可以忽略。

对比

milvus 1.1.1 部署更简单，只有一个服务启动，支持的功能比较单一；milvus 2.0.2 依赖的容器部署更多更复杂，支持的功能也更全面；milvus 2.0.2目前来看还没有完全稳定，还有无法忽视的bug存在，因此我选择milvus 1.1.1。

参考

https://github.com/spotify/annoy

一文带你了解Annoy！

Installation Overview - Milvus documentation

近似最近邻搜索算法 ANNOY（Approximate Nearest Neighbors Oh Yeah） | ZHANG RONG