PGVector

背景信息

随着数据科学和机器学习等技术的迅速发展，向量计算已经成为了大数据领域中最常见的计算任务之一。PolarDB PostgreSQL版作为一种广泛使用的关系型数据库，结合PGVector插件后通过自定义的数据类型和存储方法，使得高维向量计算变得更加高效快速。

前提条件

PGVector代码支持的版本：开源版本。

注意事项

• PX支持通过sort遍历高维向量。

• PX不支持索引查询。

原理介绍

PGVector的索引算法是IVFFLAT（同pase插件的向量算法）。IVFFLAT是一种基于倒排索引的近似最近邻搜索算法，可以用于高效地查询向量之间的相似度。它将向量空间分为若干个划分区域，每个区域都包含一些向量，并创建倒排索引，用于快速地查找与给定向量相似的向量。

IVFFLAT是IVFADC算法的简化版本，适合于召回精度要求高，但对查询耗时要求不严格（100ms级别）的场景。相比其他算法，IVFFlat算法具有高召回率高精度、算法和参数简单、空间占用小的优势。

PGVector插件的实现基于PolarDB PostgreSQL版的扩展机制，利用C语言编写实现了多种向量计算算法和数据类型。其中插件算法的具体流程如下：

1. 高维空间中的点基于隐形的聚类属性，按照kmeans等聚类算法对向量进行聚类处理，使得每个类簇有一个中心点。

2. 检索向量时首先遍历计算所有类簇的中心点，找到与目标向量最近的n个类簇中心。

3. 遍历计算n个类簇中心所在聚类中的所有元素，经过全局排序得到距离最近的k个向量。

使用指南

• PGVector插件可以顺序及索引检索高维向量，示例列出了简单使用方法。

• 召回率和性能介绍。

  PGVector插件在0.5.0版本前使用的IVFFlat索引构建速度快，相比于无任何索引能够提升一定的查询性能，但召回率表现一般，也会消耗一定的内存。新增的HNSW索引在召回率和性能上都有更加优秀的表现，但索引构建速度更慢，内存使用量更高。在使用向量索引来查询向量数据时，往往需要在性能与召回率两个维度上权衡利弊，这里介绍两种提升召回率的索引参数配置方法。

  • HNSW

    m：表示在每个索引元素之间存在多少双向链接（或路径）。默认值为16，取值范围为2~100。将该值设置为一个较高的数量，可以增加召回量。但也会显著增加索引生成时间，并可能影响查询性能。

    ef_construction：表示在索引中添加元素时，需要检查的近邻数。默认值为64，取值范围为4~100。增加该值可以增加召回量，但是会增加索引构建时间。该值必须至少是m的两倍。

    CREATE TABLE vecs (id int PRIMARY KEY, embedding vector(1536));
    CREATE INDEX ON vecs USING hnsw(embedding vector_l2_ops) WITH (m=16, ef_construction=64);

    必须指定使用HNSW索引的操作符类。例如，使用HNSW索引的余弦，可以使用如下命令：

    CREATE INDEX ON vecs USING hnsw(embedding vector_cosine_ops);

    可以先选择默认的索引构建配置项来优化构建时间。如果没有得到数据集的预期召回量，先增加ef_construction值，再调整m值。可以通过设置较大的hnsw.ef_search值来增加查询召回，例如，设置为100，值越大往往召回越高。

  • IVFFlat

    lists：PGVector采样表中所有向量的聚类中心数量。

    CREATE INDEX ON vecs USING ivfflat(embedding) WITH (lists=100);

关于索引和更多的参数方法介绍可以参考开源代码的README模块。

示例

1. 创建插件。

   CREATE EXTENSION vector;

2. 创建表。

   CREATE TABLE t (val vector(3));

3. 插入数据。

   INSERT INTO t (val) VALUES ('[0,0,0]'), ('[1,2,3]'), ('[1,1,1]'), (NULL);

4. 创建向量索引。

   CREATE INDEX ON t USING ivfflat (val vector_ip_ops) WITH (lists = 1);

5. 计算近似向量。

   SELECT * FROM t ORDER BY val <#> '[3,3,3]';

   返回结果如下：

      val
   ---------
    [1,2,3]
    [1,1,1]
    [0,0,0]
   (3 rows)

   说明

   • val vector_ip_ops表示需要创建索引的列名为val，并且使用PolarDB PostgreSQL版中提供的向量操作符vector_ip_ops来计算向量之间的相似度。该操作符支持向量之间的点积、余弦相似度、欧几里得距离等计算方式。

   • WITH (lists = 1)表示使用的划分区域数量为1，这意味着所有向量都将被分配到同一个区域中。在实际应用中，划分区域数量需要根据数据规模和查询性能进行调整。

相关参考

向量的embedding过程请参考中国内地和国际文本embedding模型输出。