本文介绍PolarDB PostgreSQL版(兼容Oracle)如何通过PASE插件(基于IVFFlat或HNSW算法)实现高维向量检索。

背景信息

近年来,深度学习领域内的表示学习技术,作为人工智能的代表性技术,取得了长足性进展,在工业界中已经被大量应用,例如广告投放、人脸支付、图像识别、语音识别等场景。数据被嵌入至高维度向量,然后通过向量检索技术来查找相关的项目。

PASE(PostgreSQL ANN search extension)是一款为PostgreSQL数据库研发的高性能向量检索索引插件,使用业界中成熟稳定且高效的ANN(Approximate nearest neighbor)检索算法,包括IVFFlat和HNSW算法,通过这两种算法,可以在PG数据库中实现极高速向量查询。PASE暂时不支持特征向量的抽取与产出,您需要自己检索实体的特征向量,PASE负责的工作是根据已产出的海量级别的向量进行相似向量的检索。

目标读者

限于篇幅,本文不会对机器学习领域的相关名词做详细解释,所以阅读本文需要您有机器学习、搜索推荐相关知识基础。

注意事项

  • 索引会有膨胀,大约的膨胀率可以通过select pg_relation_size('index名称');查询,当膨胀远大于数据的大小,并且查询有明显变慢时,需要重建索引。
  • 数据频繁更新后索引会不精确,如果要求绝对准确,需要定期重建索引。
  • IVFFlat索引如果使用内部中心点(clustering_type=1),需要先在表中插入一定数据,再创建索引。
  • 请使用高权限账号执行本文SQL示例。

使用限制

跨机并行查询仅支持顺序检索高维向量。

PASE算法简述

  • IVFFlat算法
    IVFFlat是IVFADC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算法具有以下优点:
    • 如果查询向量是候选数据集中的一员,那么IVFFlat可以达到100%的召回率。
    • 算法简单,因此索引构建更快,存储空间更小。
    • 聚类中心点可以由使用者指定,通过简单的参数调节就可以控制召回精度。
    • 算法参数可解释性强,用户能够完全地控制算法的准确性。

    IVFFlat的算法原理参见下图。

    IVFFlat算法原理

    算法流程说明:

    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。
    说明
    • 在查询类簇中心点时,会自动排除远离的类簇,加速查询过程,但是无法保证最优的前k个向量全部在这n个类簇中,因此会有精度损失。您可以通过类簇个数n来控制IVFFlat算法的准确性,n值越大,算法精度越高,但计算量会越大。
    • IVFFlat和IVFADC的第一阶段完全一样,主要区别是第二阶段计算。IVFADC通过积量化来避免遍历计算,但是会导致精度损失,而IVFFlat是暴力计算,避免精度损失,并且计算量可控。
  • HNSW算法

    HNSW(Hierarchical Navigable Small World)算法适合超大规模的向量数据集(千万级别以上),并且对查询延时有严格要求(10ms级别)的场景。

    HNSW基于近邻图的算法,通过在近邻图快速迭代查找得到可能的相近点。在大数据量的情况下,使用HNSW算法的性能提升相比其他算法更加明显,但邻居点的存储会占用一部分存储空间,同时召回精度达到一定水平后难以通过简单的参数控制来提升。

    HNSW的算法原理参见下图。

    HNSW算法原理

    算法流程说明:

    1. 构造多层图,每层图都是下层图的一个缩略,同时构成下层图的跳表,类似高速公路。
    2. 从顶层随机选中一个点开始查询。
    3. 第一次搜索其邻居点,把它们按距离目标的远近顺序存储在定长的动态列表中,以后每一次查找,依次取出动态列表中的点,搜索其邻居点,再把这些新探索的邻居点插入动态列表,每次插入动态列表需要重新排序,保留前k个。如果列表有变化则继续查找,不断迭代直至达到稳态,然后以动态列表中的第一个点作为下一层的入口点,进入下一层。
    4. 循环执行第3步,直到进入最底层。
    说明 HNSW算法是在NSW算法的单层构图的基础上构造多层图,在图中进行最近邻查找,可以实现比聚类算法更高的查询加速比。

两种算法都有特定的适用业务场景,例如IVFFlat适合高精图像对比场景,HNSW适合搜索推荐的召回场景。后续会陆续集成业界领先的算法实现到PASE中。

使用PASE

  1. 创建PASE插件。命令如下:
    CREATE EXTENSION pase;
  2. 计算向量相似度。您可以通过以下两种构造方式计算向量相似度:
    • 采用PASE数据类型构造方式计算

      示例

      SELECT ARRAY[2, 1, 1]::float4[] <?> pase(ARRAY[3, 1, 1]::float4[]) AS distance;
      SELECT ARRAY[2, 1, 1]::float4[] <?> pase(ARRAY[3, 1, 1]::float4[], 0) AS distance;
      SELECT ARRAY[2, 1, 1]::float4[] <?> pase(ARRAY[3, 1, 1]::float4[], 0, 1) AS distance;
      说明
      • <?>是PASE类型的操作符,表示计算左右两个向量的相似度。左边向量数据类型必须为float4[],右边向量数据类型必须为pase。
      • pase类型为插件内定义的数据类型,最多包括三个构造函数。以示例第三条的float4[], 0, 1部分进行说明:第一个参数为float4[],代表右向量数据类型;第二个参数在此处没有特殊作用,可以填入0;第三个参数表示相似度计算方式,0表示欧氏距离,1表示点积(内积)。
      • 左右向量的维度必须相等,否则计算会报错。
    • 采用字符串构造方式计算

      示例

      SELECT ARRAY[2, 1, 1]::float4[] <?> '3,1,1'::pase AS distance;
      SELECT ARRAY[2, 1, 1]::float4[] <?> '3,1,1:0'::pase AS distance;
      SELECT ARRAY[2, 1, 1]::float4[] <?> '3,1,1:0:1'::pase AS distance;
      说明 采用字符串构造方式和采用PASE数据类型构造方式都是计算两个向量相似度,区别是字符串构造方式通过英文冒号(:)分隔。以示例第三条的3,1,1:0:1部分进行说明:第一个参数表示右向量;第二个参数在此处没有特殊作用,可以填入0;第三个参数表示相似度计算方式,0表示欧氏距离,1表示点积(内积)。
  3. 创建索引。您可以使用两种算法创建索引:
    说明 对于要使用PASE向量索引的用户,如果采用欧氏距离作为向量相似度计算公式,原始向量不需要做任何处理,但如果采用内积或余弦作为向量相似度计算公式,需要对向量进行归一化处理,如原始向量为,则需要满足:,此时内积和余弦值相同。
    • IVFFlat算法创建索引

      示例

      CREATE INDEX ivfflat_idx ON vectors_table
      USING
        pase_ivfflat(vector)
      WITH
        (clustering_type = 1, distance_type = 0, dimension = 256, base64_encoded = 0, clustering_params = "10,100");

      参数说明如下。

      参数说明
      clustering_typeIVFFlat算法对向量数据进行的聚类操作类型。必填项。取值:
      • 0:外部聚类,加载外部提供的中心点文件,由参数clustering_params控制。
      • 1:内部聚类,即构建索引过程首先会在内部进行聚类操作,采用kmeans算法,由参数clustering_params控制。

      对于初级用户,建议使用内部聚类方式。

      distance_type相似度计算方式。默认值为0。取值:
      • 0:欧式距离。
      • 1:点积(内积)。使用此方式需要进行向量归一化,此时点积(内积)值的序和欧氏距离的序是反序关系。

      当前仅支持欧式距离,点积(内积)需要向量归一化后,采用附录中提供的方法计算。

      dimension向量维度。必填项,最大支持512。
      base64_encoded数据是否采用base64编码。默认为0。取值:
      • 0:采用float4[]表示向量类型。
      • 1:采用float[]的base64编码字符串表示向量类型。
      clustering_params

      对于外部聚类,该参数配置为中心点文件路径;对于内部聚类,该参数配置为聚类参数。格式为:clustering_sample_ratio,k。必填项。

      • clustering_sample_ratio:以1000为分母的聚类采样比例。取值范围为(0,1000]内的整数,例如值为1,表示对表中的数据按照千分之一的比例采样后进行kmeans聚类。值越大查询准确率越高,但创建索引的时间越长,建议采样的数据总量不要超过10万条。
      • k:聚类中心数,值越大查询准确率越高,但创建索引时间越长,建议取值范围为[100,1000]。
    • HNSW算法创建索引

      示例

      CREATE INDEX hnsw_idx ON vectors_table
      USING
        pase_hnsw(vector)
      WITH
        (dim = 256, base_nb_num = 16, ef_build = 40, ef_search = 200, base64_encoded = 0);

      参数说明如下。

      参数说明
      dim向量维度。必填项,最大支持512。
      base_nb_num图中节点的邻居数。必填项。值越大查询准确率越高,但建索引时间越慢,同时索引量占空间越大,建议取值范围[16-128]。
      ef_build创建索引过程中的堆长度。必填项。越长效果越好,但创建索引越慢,建议取值范围[40,400]。
      ef_search查询过程中的堆长度。必填项。越长效果越好,但查询性能越差,可在查询时指定,该处为默认值:200。
      base64_encoded数据是否采用base64编码。默认值0。取值:
      • 0:采用float4[]表示向量类型。
      • 1:采用float[]的base64编码字符串表示向量类型。
  4. 查询。您可以使用两种索引查询:
    • 使用IVFFlat索引查询

      示例

      SELECT id, vector <#> '1,1,1'::pase as distance
      FROM vectors_ivfflat
      ORDER BY
      vector <#> '1,1,1:10:0'::pase
      ASC LIMIT 10;
      说明
      • <#>为IVFFlat算法索引的操作符。
      • 向量索引通过ORDER BY语句生效,支持ASC升序排序。
      • PASE数据类型为三段式,通过英文冒号(:)分隔。以示例的1,1,1:10:0进行说明:第一段为查询向量;第二段为IVFFlat的查询效果参数,取值范围为(0,1000],值越大查询准确率越高,但查询性能越差,建议根据实际数据进行调试确定;第三段为查询时相似度计算方式,0表示欧式距离,1表示点积(内积)。使用点积(内积)方式需要进行向量归一化,此时点积(内积)值的序和欧氏距离的序是反序关系。
    • 使用HNSW索引查询

      示例

      SELECT id, vector <?> '1,1,1'::pase as distance
      FROM vectors_ivfflat
      ORDER BY
      vector <?> '1,1,1:100:0'::pase
      ASC LIMIT 10;
      说明
      • <?>为HNSW算法索引的操作符。
      • 向量索引通过ORDER BY语句生效,支持ASC升序排序。
      • PASE数据类型为三段式,通过英文冒号(:)分隔。以示例的1,1,1:10:0进行说明:第一段为查询向量;第二段为HNSW的查询效果参数,取值范围为(0,∞),值越大查询准确率越高,但查询性能越差,建议根据实际数据进行调试确定,初始值建议从40开始;第三段为查询时相似度计算方式,0表示欧式距离,1表示点积(内积)。使用点积(内积)方式需要进行向量归一化,此时点积(内积)值的序和欧氏距离的序是反序关系。

附录

  • 点积(内积)方式计算示例

    示例采用HNSW算法索引,创建FUNCTION示例如下:

    CREATE OR REPLACE FUNCTION inner_product_search(query_vector text, ef integer, k integer, table_name text) RETURNS TABLE (id integer, uid text, distance float4) AS $$
    BEGIN
        RETURN QUERY EXECUTE format('
        select a.id, a.vector <?> pase(ARRAY[%s], %s, 1) AS distance from 
        (SELECT id, vector FROM %s ORDER BY vector <?> pase(ARRAY[%s], %s, 0) ASC LIMIT %s) a
        ORDER BY distance DESC;', query_vector, ef,  table_name,  query_vector, ef, k);
    END
    $$
    LANGUAGE plpgsql;
    说明 对于归一化的向量,内积=余弦,所以余弦值也可以用上述方式计算。
  • IVFFlat索引自定义中心点文件

    此功能为高级功能,需要在服务器上指定路径上传中心点文件,并作为索引参数构建索引。详细参数请参见IVFFlat索引参数描述。文件格式如下:

    向量维度|中心点个数|中心点向量集合

    示例

    3|2|1,1,1,2,2,2

相关文档