Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

向量搜索 Amazon DocumentDB

向量搜索是机器学习中使用的一种方法，它通过使用距离或相似度量度比较向量表示法来查找与给定数据点相似的数据点。两个向量在向量空间中越接近，则认为底层项目就越相似。这种技术有助于捕捉数据的语义含义。这种方法在各种应用中都很有用，例如推荐系统、自然语言处理和图像识别。

Amazon DocumentDB 的矢量搜索将基于 JSON 的文档数据库的灵活性和丰富的查询功能与矢量搜索的强大功能相结合。如果您想使用现有的 Amazon DocumentDB 数据或灵活的文档数据结构来构建机器学习和生成式 AI 用例，例如语义搜索体验、产品推荐、个性化、聊天机器人、欺诈检测和异常检测，那么 Amazon DocumentDB 的矢量搜索是您的理想选择。基于亚马逊 DocumentDB 5.0 实例的集群提供矢量搜索。

插入向量

要将矢量插入您的 Amazon DocumentDB 数据库，您可以使用现有的插入方法：

示例

在以下示例中，在测试数据库中创建了由五个文档组成的集合。每个文档都包含两个字段：产品名称及其相应的矢量嵌入。

db.collection.insertMany([
  {"product_name": "Product A", "vectorEmbedding": [0.2, 0.5, 0.8]},
  {"product_name": "Product B", "vectorEmbedding": [0.7, 0.3, 0.9]},
  {"product_name": "Product C", "vectorEmbedding": [0.1, 0.2, 0.5]},
  {"product_name": "Product D", "vectorEmbedding": [0.9, 0.6, 0.4]},
  {"product_name": "Product E", "vectorEmbedding": [0.4, 0.7, 0.2]}
]);

创建向量索引

Amazon DocumentDB 支持分层可导航小世界 (HNSW) 索引和采用平面压缩的倒置文件 (IVFFLat) 索引方法。ivfFLat 索引将向量分成列表，然后搜索这些列表中最接近查询向量的选定子集。另一方面，HNSW 索引将向量数据组织成多层图。尽管与 ivffLat 相比，HNSW 的构建时间较慢，但它提供了更好的查询性能和召回率。与 ivfFLat 不同，HNSW 不涉及训练步骤，因此无需加载任何初始数据即可生成索引。对于大多数用例，我们建议使用 HNSW 索引类型进行矢量搜索。

如果您不创建向量索引，Amazon DocumentDB 会执行精确的最近邻搜索，从而确保完美的调用。但是，在生产场景中，速度至关重要。我们建议使用向量索引，这可能会以一些回调来提高速度。请务必注意，添加向量索引可能会导致不同的查询结果。

模板

您可以使用以下内容createIndex或runCommand模板在向量场上构建向量索引：

Using createIndex

在某些驱动程序（例如 mongosh 和 Java）中，使用中的vectorOptions参数createIndex可能会导致错误。在这种情况下，我们建议使用runCommand：

db.collection.createIndex(
  { "<vectorField>": "vector" },
  { "name": "<indexName>",
    "vectorOptions": {
      "type": " <hnsw> | <ivfflat> ",
      "dimensions": <number_of_dimensions>,
      "similarity": " <euclidean> | <cosine> | <dotProduct> ",
      "lists": <number_of_lists> [applicable for IVFFlat],
      "m": <max number of connections> [applicable for HNSW],
      "efConstruction": <size of the dynamic list for index build> [applicable for HNSW]
    }
  }
);

Using runCommand

在某些驱动程序（例如 mongosh 和 Java）中，使用中的vectorOptions参数createIndex可能会导致错误。在这种情况下，我们建议使用runCommand：

db.runCommand(
  { "createIndexes": "<collection>", 
  "indexes": [{
      key: { "<vectorField>": "vector" },
      vectorOptions: {
          type: " <hnsw> | <ivfflat> ",
          dimensions: <number of dimensions>,
          similarity: " <euclidean> | <cosine> | <dotProduct> ",
          lists: <number_of_lists> [applicable for IVFFlat],
          m: <max number of connections> [applicable for HNSW],
          efConstruction: <size of the dynamic list for index build> [applicable for HNSW]
          },
      name: "myIndex" 
      }] 
  }
);

请务必适当设置子参数的值，例如 ivffLat m 和 efConstruction HNSW 的子参数值，因为这会影响搜索的准确性/召回率、构建时间和性能。lists列表值越高，查询速度越快，因为这会减少每个列表中的向量数量，从而产生较小的区域。但是，较小的区域大小可能会导致更多的召回错误，从而降低精度。对于 HNSW 来说，efConstruction增加值m并提高准确度，但也会增加索引构建时间和大小。请参阅以下示例：

示例

HNSW

db.collection.createIndex(
  { "vectorEmbedding": "vector" },
  { "name": "myIndex",
    "vectorOptions": {
      "type": "hnsw",
      "dimensions": 3,
      "similarity": "euclidean",
      "m": 16,
      "efConstruction": 64
    }
  }
);

IVFFlat

db.collection.createIndex(
  { "vectorEmbedding": "vector" },
  { "name": "myIndex",
    "vectorOptions": {
      "type": "ivfflat",
      "dimensions": 3,
      "similarity": "euclidean",
      "lists":1
    }
  }
)

获取索引定义

您可以使用以下getIndexes命令查看索引的详细信息，包括向量索引：

示例

db.collection.getIndexes()

示例输出

[
 {
  "v" : 4,
  "key" : {
   "_id" : 1
  },
  "name" : "_id_",
  "ns" : "test.collection"
 },
 {
  "v" : 4,
  "key" : {
   "vectorEmbedding" : "vector"
  },
  "name" : "myIndex",
  "vectorOptions" : {
   "type" : "ivfflat",
   "dimensions" : 3,
   "similarity" : "euclidean",
   "lists" : 1
  },
  "ns" : "test.collection"
 }
]

查询向量

向量查询模板

使用以下模板查询向量：

db.collection.aggregate([
  {
    $search: {
      "vectorSearch": {
        "vector": <query vector>, 
        "path": "<vectorField>", 
        "similarity": "<distance metric>",
        "k": <number of results>,
        "probes":<number of probes> [applicable for IVFFlat],
        "efSearch":<size of the dynamic list during search> [applicable for HNSW]
      }
    }
  }
]);

必须微调 efSearch (HNSW) 或 probes (iVFlat) 的值，以实现所需的性能和精度。请参阅以下示例操作：

HNSW

db.collection.aggregate([
  {
    $search: {
      "vectorSearch": {
        "vector": [0.2, 0.5, 0.8], 
        "path": "vectorEmbedding", 
        "similarity": "euclidean",
        "k": 2,
        "efSearch": 40
      }
    }
  }
]);

IVFFlat

db.collection.aggregate([
  {
    $search: {
      "vectorSearch": {
        "vector": [0.2, 0.5, 0.8], 
        "path": "vectorEmbedding", 
        "similarity": "euclidean",
        "k": 2,
        "probes": 1
      }
    }
  }
]);

示例输出

此操作的输出将类似于以下内容：

{ "_id" : ObjectId("653d835ff96bee02cad7323c"), "product_name" : "Product A", "vectorEmbedding" : [ 0.2, 0.5, 0.8 ] }
{ "_id" : ObjectId("653d835ff96bee02cad7323e"), "product_name" : "Product C", "vectorEmbedding" : [ 0.1, 0.2, 0.5 ] }

特征和限制

版本兼容性

向量

索引

向量查询

最佳实践

学习在 Amazon DocumentDB 中使用矢量搜索的最佳实践。随着新的最佳实践的确定，此节将不断更新。

资源