全部产品
Search

搜索本产品

    Tablestore：Kueri vektor KNN

    文档中心

    Tablestore：Kueri vektor KNN

    更新时间：Nov 04, 2025

    Fitur kueri vektor k-nearest neighbor (KNN) memungkinkan pencarian tetangga terdekat secara aproksimatif berdasarkan vektor, membantu menemukan item data yang paling mirip dengan vektor yang di-query dalam dataset berskala besar.

    Prasyarat

    Catatan penggunaan

    • Fitur kueri vektor KNN didukung oleh Tablestore SDK untuk Node.js versi 5.5.0 atau lebih baru. Pastikan bahwa versi Tablestore SDK untuk Node.js yang didukung telah diinstal.

      Catatan

      Untuk informasi tentang riwayat versi Tablestore SDK untuk Node.js, lihat Riwayat Versi Tablestore SDK untuk Java.

    • Batas diberlakukan pada jumlah bidang Vektor dan jumlah dimensi untuk bidang Vektor. Untuk informasi lebih lanjut, lihat Batas Indeks Pencarian.

    • Server indeks pencarian memiliki beberapa partisi. Setiap partisi dari server indeks pencarian mengembalikan K tetangga terdekat ke vektor yang ingin Anda query. K tetangga terdekat yang dikembalikan oleh partisi digabungkan pada node klien. Jika Anda ingin menggunakan token untuk men-query semua data per halaman, jumlah total baris dalam tanggapan terkait dengan jumlah partisi server indeks pencarian.

    Parameter

    Parameter

    Diperlukan

    Deskripsi

    fieldName

    Ya

    Nama bidang vektor.

    topK

    Ya

    K hasil kueri teratas yang memiliki kemiripan tertinggi sebagai vektor yang ingin Anda query. Untuk informasi tentang nilai maksimum parameter topK, lihat Batas indeks pencarian.

    Penting

    Nilai K yang lebih besar menunjukkan tingkat recall yang lebih tinggi, latensi kueri, dan biaya yang lebih tinggi.

    float32QueryVector

    Ya

    Vektor yang ingin Anda query kesamaannya.

    filter

    Tidak

    Filter. Anda dapat menggunakan kombinasi kondisi kueri yang bukan merupakan kondisi kueri vektor KNN.

    Contoh

    Kode sampel berikut memberikan contoh cara men-query sepuluh tetangga terdekat dari vektor tertentu dalam tabel data. Dalam contoh ini, nilai kolom col_keyword dari vektor tetangga terdekat harus sama dengan "0", dan nilai kolom col_long dari vektor tetangga terdekat harus antara 0 dan 50.

    const tableName = "<TABLE_ANME>"
const indexName = "<SEARCH_INDEX_NAME>"

async function knnVectorQuery() {
    return new Promise(function (resolve, reject) {
        let params = {
            tableName: tableName,
            indexName: indexName,
            searchQuery: {
                offset: 0,
                limit: 10,
                query: {
                    queryType: TableStore.QueryType.KNN_VECTOR_QUERY,
                    query: {
                        fieldName: "col_vector",
                        topK: TableStore.Long.fromNumber(10),
                        float32QueryVector: [1.0, 1.1, 1.2, -1.3],
                        filter: {
                            queryType: TableStore.QueryType.BOOL_QUERY,
                            query: {
                                mustQueries: [
                                    {
                                        queryType: TableStore.QueryType.RANGE_QUERY,
                                        query: {
                                            fieldName: "col_long",
                                            rangeFrom: TableStore.Long.fromNumber(0),
                                            includeLower: true,
                                            rangeTo: TableStore.Long.fromNumber(50),
                                            includeUpper: true,
                                        }
                                    },
                                    {
                                        queryType: TableStore.QueryType.TERM_QUERY,
                                        query: {
                                            fieldName: "col_keyword",
                                            term: "0",
                                        }
                                    },
                                ],
                            }
                        },
                    },
                },
                sort: {
                    sorters: [
                        {
                            scoreSort: {
                                order: TableStore.SortOrder.SORT_ORDER_DESC // Urutkan hasil kueri berdasarkan skor dalam urutan menurun.
                            }
                        }
                    ],
                },
                getTotalCount: false,
            },
            columnToGet: {
                returnType: TableStore.ColumnReturnType.RETURN_SPECIFIED,
                returnNames: ["col_long", "col_keyword"]
            },
            timeoutMs: 10000,
        }
        client.search(params, function (err, data) {
            if (err) {
                console.log('search error:', err.toString());
                reject(err);
            } else {
                console.log('RequestId:', data.RequestId);
                for (let i = 0; i < data.searchHits.length; i++) {
                    let hit = data.searchHits[i]
                    console.log('Score:', hit.score, 'Row:', hit.row);
                }
                resolve(data)
            }
        });
    })
}
knnVectorQuery();

    FAQ

    Bagaimana cara mengoptimalkan kinerja kueri vektor KNN Tablestore?

    Referensi