Postgres扩展之pgvector：向量相似度搜索

简介

pgvector：在 Postgres 中存储和查询向量。您可以将向量数据与其他数据一起存储在 Postgres 中，并进行向量相似性搜索，同时仍然可以利用 Postgres 提供的所有强大功能。

pgvector 扩展与 Postgres 无缝集成 - 允许用户在现有数据库基础设施中利用其功能。通过将向量化处理的能力整合到PostgreSQL中，pgvector允许用户直接在数据库中进行大规模的相似性搜索、机器学习模型预测等多种操作，因为不需要单独的数据存储或复杂的数据传输过程。

核心功能

1.向量存储：

• pgvector使用高效的二进制编码（如Faiss的IVF索引）来存储和检索高维向量，大大降低了存储空间需求，并提高了查询速度。

• 支持多种向量类型，包括单精度（Single-precision）、半精度（Half-precision）、二进制（Binary）和稀疏向量（Sparse Vectors），以满足不同场景的需求。

2.相似性搜索：

• 支持多种相似性度量标准，如L2距离（L2 Distance）、内积（Inner Product）、余弦距离（Cosine Distance）、L1距离（L1 Distance），以便用户根据实际需求选择合适的搜索方法。
• 提供HNSW和IVFFlat等索引策略，以优化查询性能。

3.集成SQL支持：

• 与标准PostgreSQL完全兼容，用户可以使用SQL语句来创建、查询和管理向量表，从而简化了开发流程。

• 提供了一系列内置函数，如余弦相似度计算等，便于在SQL查询中直接进行相似性比较。

4.扩展性与灵活性：

• 作为开源项目，pgvector允许开发者根据需要对其进行定制和扩展。
• 支持ACID事务、点时间恢复、JOIN操作以及PostgreSQL的所有其他优秀特性。

应用场景

pgvector适用于多种应用场景，包括但不限于：

• 推荐系统：通过在数据库内部计算用户行为向量的相似度，实时生成个性化推荐。

• 图像识别：存储和检索图像特征向量，实现基于内容的图片搜索。

• 自然语言处理：向量数据库可以存储大量的文本向量数据，通过向量索引技术实现快速的文本搜索和相似度匹配，构建智能问答系统或聊天机器人。

准备工作

登录MemFire Cloud平台，创建一个新应用，如下图所示：

应用创建成功后，即可获得一个云端的Postgres数据库。

启用扩展

1.通过控制台页面开启vector扩展。

（1）转到仪表板中的数据库页面。

（2）点击侧边栏中的 扩展。

（3）搜索 "vector" 并启用该扩展。

另外，也可以通过在SQL编辑器页面，执行如下SQL语句来启用/禁用扩展。

 -- Example: enable the "vector" extension.
create extension vector
with
  schema extensions;


-- Example: disable the "vector" extension
drop
  extension if exists vector;

使用教程

以下是一个简单的示例，展示如何使用 pgvector 。

创建向量表

你可以在创建新表时定义向量列：

CREATE TABLE documents (
    id SERIAL PRIMARY KEY,
    content TEXT,
    vector_col vector(3)  
);

插入向量数据

为了进行测试，我们插入一些数据:

-- 直接插入向量
INSERT INTO documents (content, vector_col) VALUES ('example content1', '[0.1, 0.2, 0.3]');

INSERT INTO documents (content, vector_col) VALUES ('example content2', '[0.3, 0.2, 0.3]');

INSERT INTO documents (content, vector_col) VALUES ('example content3', '[0.1, 0.3, 0.2]');

INSERT INTO documents (content, vector_col) VALUES ('example content4', '[0.2, 0.2, 0.3]');

INSERT INTO documents (content, vector_col) VALUES ('example content5', '[0.1, 0.1, 0.2]');

执行结果如下：

查询数据

pgvector 支持的一些距离函数：

• 余弦相似度 (cosine_similarity或<=> 运算符): 计算两个向量之间的余弦相似度，这通常用于测量它们在方向上的相似性，值的范围从 -1（完全不相似）到 1（完全相同方向）。

• 欧几里得距离 (L2 norm 或 <-> 运算符):计算两个向量之间的直线距离，是多维空间中两点之间的实际距离。

• 曼哈顿距离 (L1 norm 或<+>运算符): 也称为 L1 距离，是各个维度上距离的总和，常用于表示城市街区中的最短路径。备注说明：在 0.7.0 版本中新增操作；

• 内积 (inner_product 或 <#> 运算符): 计算两个向量的点积，是它们对应元素乘积的总和，可以用于测量两个向量的相似性。

例如：获取与向量'[0.3, 0.2, 0.3]'直线距离

SELECT vector_col <-> '[0.3, 0.2, 0.3]' AS distance FROM documents

SELECT vector_col <-> '[0.3, 0.2, 0.3]' AS distance FROM documents

执行结果如下：

例如：获取与向量'[0.3, 0.2, 0.3]'的余弦相似度：

SELECT vector_col <=> '[0.3, 0.2, 0.3]' FROM documents;

执行结果如下：

对于内积，乘以 -1（因为 <#> 返回负内积）。

SELECT (vector_col <#> '[0.3, 0.2, 0.3]') * -1 AS inner_product FROM documents;

执行结果如下：

创建索引

默认情况下，pgvector 执行精确最近邻搜索，提供完美召回率。你可以添加索引以使用近似最近邻搜索，这会在速度和召回率之间进行权衡。与典型索引不同，添加近似索引后，查询结果会有所不同。

pgvector 支持的索引类型有：

• HNSW：比 IVFFlat 有更好的查询性能（在速度-召回率权衡方面），但构建时间更慢，使用的内存更多。此外，由于没有像 IVFFlat 那样的训练步骤，即使表中没有任何数据，也可以创建索引。

• IVFFlat：IVFFlat 索引将向量划分为列表，然后搜索最接近查询向量的子集列表。它比 HNSW 构建速度更快，使用的内存更少，但在查询性能方面（在速度-召回率权衡方面）较低。

     接下来我们以HNSW索引为例来进行介绍创建索引来加速查询操作。

创建HNSW索引

  使用 CREATE INDEX 命令和 USING 子句来创建HNSW索引。

CREATE INDEX documents_idx
ON documents
USING hnsw (vector_col);

配置索引参数（可选）

HNSW 索引允许你设置一些参数来优化索引的行为，例如 ef_construct 和 M：

CREATE INDEX documents_idx
ON documents
USING hnsw (vector_col)
WITH (M=16, ef_construct=200);

• M 是树的层次数，默认为 16。

• ef_construct 是构建索引时使用的搜索参数，默认为 64。

使用索引进行查询

创建索引后，你可以使用它来加速向量搜索。例如，使用欧几里得距离进行搜索：

SELECT * FROM documents
ORDER BY vector_col <-> '[0.1, 0.2, 0.3]'::vector
LIMIT 10;

注意事项

• 确保你的 PostgreSQL 版本与 pgvector 版本兼容。

• 在生产环境中使用之前，进行充分的测试以验证索引的性能和效果。

• 根据你的具体需求，可能需要使用不同的距离度量方法或索引参数。

总结

总之，pgvector是PostgreSQL数据库系统的一个强大扩展，它为用户提供了高效的向量存储和查询能力，适用于处理大规模、高维度的向量数据。无论是机器学习、自然语言处理还是其他需要高效相似性搜索的领域，pgvector都能提供有力的支持。