OpenSearch：Query berbasis vektor

Deskripsi

Anda dapat mengimpor data vektor ke instance OpenSearch Vector Search Edition dan menggunakan instance tersebut untuk menjalankan query berbasis vektor.

Catatan: Jika Anda tidak memiliki model vektor untuk mengonversi data menjadi vektor, Anda dapat menggunakan fitur vektorisasi gambar dan vektorisasi teks dari OpenSearch Vector Search Edition. Dengan menggunakan model vektor bawaan, Anda dapat mengonversi data menjadi vektor dan menjalankan query berbasis prediksi.

URL

/vector-service/query

• Contoh URL menghilangkan informasi seperti header permintaan dan metode pengkodean.

• Contoh URL juga menghilangkan titik akhir yang digunakan untuk terhubung ke aplikasi OpenSearch.

• Untuk informasi lebih lanjut tentang definisi, penggunaan, dan nilai contoh semua parameter permintaan yang digabungkan dalam URL di atas, lihat bagian "Parameter permintaan" dari topik ini.

Protokol

HTTP

Metode permintaan

POST

Format yang didukung

JSON

Tanda tangan permintaan

Gunakan bidang dalam tabel berikut untuk menghitung tanda tangan permintaan. Tanda tangan permintaan disimpan di header authorization.

import com.aliyun.darabonba.encode.Encoder;
import com.aliyun.darabonbastring.Client;

public class GenerateAuthorization {

 public static void main(String[] args) throws Exception {
 String accessUserName = "username";
 String accessPassWord = "password";
 String realmStr = "" + accessUserName + ":" + accessPassWord + "";
 String authorization = Encoder.base64EncodeToString(Client.toBytes(realmStr, "UTF-8"));
 System.out.println(authorization);
		}
}

Format valid untuk nilai header authorization:

cm9vdDp******mdhbA==

Tambahkan awalan Basic saat Anda menentukan header authorization dalam permintaan HTTP.

Contoh:

authorization: Basic cm9vdDp******mdhbA==

Parameter permintaan

Sort:

Query menggunakan satu vektor

{
    "tableName": "gist",
    "vector": [
        0.1,
        0.2,
        0.3
    ],
    "topK": 3,
    "searchParams":"{\"qc.searcher.scan_ratio\":0.01}",
    "includeVector": true
}

Query berbasis namespace

OpenSearch Vector Search Edition memungkinkan Anda mempartisi indeks menggunakan namespace. Setelah mengonfigurasi namespace untuk indeks vektor, Anda dapat menentukan namespace untuk meng-query data. Dengan cara ini, Anda dapat meng-query subset indeks yang berbeda dengan mengirimkan permintaan query yang berbeda.

Catatan: Jika Anda mengonfigurasi namespace untuk indeks vektor, Anda harus menentukan namespace saat meng-query data.

{
    "tableName": "gist",
    "namespace": "space_b",
    "vector": [
        0.1,
        0.2
    ],
    "topK": 3,
    "searchParams":"{\"qc.searcher.scan_ratio\":0.01}",
    "includeVector": true
}

Query menggunakan beberapa namespace

Jika Anda mengonfigurasi namespace untuk indeks vektor, Anda dapat meng-query data dalam beberapa namespace.

{
    "tableName": "gist",
    "queries": [
        {
            "vector": [
                0.1,
                0.2,
                0.3
            ],
            "namespace": "space_a"
        },
        {
            "vector": [
                0.4,
                0.5,
                0.6
            ],
            "namespace": "space_b"
        }
    ],
    "topK": 3,
    "searchParams":"{\"qc.searcher.scan_ratio\":0.01}",
    "includeVector": true
}

Query menggunakan kondisi filter

Anda dapat menggunakan ekspresi filter untuk menentukan kondisi filter untuk query data.

{
    "tableName": "gist",
    "vector": [
        0.1,
        0.2
    ],
    "topK": 3,
    "searchParams":"{\"qc.searcher.scan_ratio\":0.01}",
    "filter": "a > 10",
    "includeVector": true,
    "outputFields": [
        "a",
        "b"
    ]
}

Query menggunakan beberapa vektor

Anda dapat meng-query beberapa vektor sekaligus. OpenSearch menggabungkan dan mengurutkan hasil dari semua vektor, lalu mengembalikan K hasil teratas. Contoh kode berikut menunjukkan cara meng-query dua vektor dua dimensi sekaligus:

{
    "tableName": "gist",
    "vector": [
        0.1,
        0.2,
        0.3,
        0.4
    ],
    "vectorCount": 2,
    "topK": 3,
    "searchParams":"{\"qc.searcher.scan_ratio\":0.01}",
    "includeVector": true,
    "outputFields": [
        "a",
        "b"
    ]
}

Parameter respons

Item

Contoh:

{
    "result": [
        {
            "id": 1,
            "score": 1.0508723258972169,
            "vector": [
                0.1,
                0.2,
                0.3
            ]
        },
        {
            "id": 2,
            "score": 1.0329746007919312,
            "vector": [
                0.2,
                0.2,
                0.3
            ]
        },
        {
            "id": 3,
            "score": 0.980593204498291,
            "vector": [
                0.3,
                0.2,
                0.3
            ]
        }
    ],
    "totalCount": 3,
    "totalTime": 2.943
}