類似性 - Vector Retrieval Service for Milvus - Alibaba Cloud ドキュメントセンター

AI_SIMILARITY 関数は、2 つのテキストセグメントの意味的類似性を比較し、0 から 1 までのスコアを返します。この関数は、重複チケットの特定、Q&A の重複排除、類似商品のマッチングなどのシナリオで使用します。

前提条件

Milvus インスタンス、そのエンドポイント URL、および認証情報。
qwen3.7-max などの設定済みのテキストモデル。
(Python の場合) PyMilvus がインストールされていること。

コマンドフォーマット

AI_SIMILARITY 関数は、2 つの使用パターンをサポートしています：

REST インターフェイス — 直接 API リクエストを送信し、オンデマンドでテキストペアを比較します。
コレクション関数 — コレクションスキーマで関数を定義し、データ挿入時に類似性を自動的に計算します。

REST インターフェイス

POST /v2/vectordb/ai/similarity
Content-Type: application/json

{
  "model_name": "<model_name>",
  "texts": ["<text_A>", "<text_B>"],
  "params": {}
}

Python

schema = MilvusClient.create_schema(auto_id=True, enable_dynamic_field=False)
schema.add_field("id", DataType.INT64, is_primary=True)
schema.add_field("left_text", DataType.VARCHAR, max_length=4096)
schema.add_field("right_text", DataType.VARCHAR, max_length=4096)
schema.add_field("similarity", DataType.DOUBLE)
schema.add_field("dummy_vector", DataType.FLOAT_VECTOR, dim=2)
schema.add_function(
    Function(
        name="compare_texts",
        function_type=texttransform_function_type(),
        input_field_names=["left_text", "right_text"],
        output_field_names=["similarity"],
        params={
            "provider": "aliyun_milvus",
            "model_name": "<model_name>",
            "task": "ai_similarity",
            "temperature": 0,
        },
    )
)

パラメーター

パラメーター	説明
`model_name`	必須。設定済みのテキストモデルの名前。REST は `model` も使用できます。
`texts`	REST で必須。配列の要素数は偶数である必要があります。`[A,B,C,D]` は `(A,B)` と `(C,D)` の比較を意味します。
`temperature`	任意。より安定したスコアリングを行うには `0` に設定します。
`max_concurrency`/`timeout_sec`	任意。1 回の呼び出しでの同時実行数とタイムアウトを制御します。
`provider`/`task`	コレクション関数でのみ必須。`aliyun_milvus` および `ai_similarity` に固定されています。

戻り値

data.output.outputs 内の要素数は、テキストペアの数と等しくなります。各要素はスコアの文字列です。コレクションに書き込む際、スコアは FLOAT または DOUBLE として解析されます。解析できない、または 0～1 の範囲外の値は 0 として書き込まれます。

使用例：重複するカスタマーサービスの問題の特定

カスタマーサービスシステムでは、2 つの質問をまとめて処理できるかどうかを判断する必要があります。次の例では、REST インターフェイスを使用して 2 組のテキストペアを比較し、コレクション関数を使用してデータ挿入時に類似性を計算します。

REST インターフェイス

実行する前に、スクリプト内の MILVUS_REST_BASE_URL と MILVUS_AUTH_TOKEN のプレースホルダーを、実際のクラスターのエンドポイントと認証情報に置き換えてください。

#!/usr/bin/env bash
set -euo pipefail

MILVUS_REST_BASE_URL="http://c-xxxx.milvus.aliyuncs.com:19530"
MILVUS_AUTH_TOKEN="<yourUsername>:<yourPassword>"

post_json() {
  local path="$1"
  local body="$2"
  curl -X POST \
    "$MILVUS_REST_BASE_URL$path" \
    -H "Authorization: Bearer $MILVUS_AUTH_TOKEN" \
    -H "Content-Type: application/json" \
    -d "$body"
}

MODEL_NAME="qwen3.7-max"

BODY=$(cat <<JSON
{
  "model_name": "$MODEL_NAME",
  "texts": [
    "A cat is a mammal.", "Cats belong to mammals.",
    "An apple is a fruit.", "Python is a programming language."
  ],
  "params": {"max_concurrency": 2, "temperature": 0}
}
JSON
)

RESPONSE_BODY="$(post_json "/v2/vectordb/ai/similarity" "$BODY")"
if command -v jq >/dev/null 2>&1; then
  echo "$RESPONSE_BODY" | jq .
  [ "$(echo "$RESPONSE_BODY" | jq -r '.code // -1')" = "0" ] || exit 1
else
  echo "$RESPONSE_BODY"
fi
# 期待される結果: 出力の数はテキストペアの数と等しくなります。例: ["1","0.0"] (類似ペアは高スコア、非類似ペアは 0 に近いスコアになります)

Python

PyMilvus をインストールした後、実行する前に MILVUS_URI と MILVUS_TOKEN のプレースホルダーを実際のクラスターアドレスとトークンに置き換えてください。この例には、インライン化された共通のヘルパー関数が含まれています。

from __future__ import annotations

from typing import Any

from pymilvus import DataType, Function, FunctionType, MilvusClient

MILVUS_URI = "http://c-xxxx.milvus.aliyuncs.com:19530"
MILVUS_TOKEN = "<yourUsername>:<yourPassword>"

DUMMY_VECTOR_DIM = 2
TEXTTRANSFORM_FUNCTION_TYPE = 9

def texttransform_function_type() -> Any:
    for type_name in ("TEXTTRANSFORM", "TEXT_TRANSFORM", "TextTransform"):
        function_type = getattr(FunctionType, type_name, None)
        if function_type is not None:
            return function_type
    # Alibaba Cloud Milvus は、マネージド拡張機能 (関数タイプ値 9) として TEXTTRANSFORM を提供します。
    # 一部の pymilvus バージョンにはまだこの列挙型メンバーが含まれておらず、Function(...) は FunctionType(...) を通じて検証します。
    existing = getattr(FunctionType, "_value2member_map_", {}).get(TEXTTRANSFORM_FUNCTION_TYPE)
    if existing is not None:
        return existing
    extension = int.__new__(FunctionType, TEXTTRANSFORM_FUNCTION_TYPE)
    extension._name_ = "TEXTTRANSFORM"
    extension._value_ = TEXTTRANSFORM_FUNCTION_TYPE
    FunctionType._value2member_map_[TEXTTRANSFORM_FUNCTION_TYPE] = extension
    FunctionType._member_map_["TEXTTRANSFORM"] = extension
    return extension

def add_id(schema: Any) -> None:
    schema.add_field("id", DataType.INT64, is_primary=True)

def add_dummy_vector(schema: Any) -> None:
    schema.add_field("dummy_vector", DataType.FLOAT_VECTOR, dim=DUMMY_VECTOR_DIM)

def run_texttransform_example(*, client, collection_name, input_fields, output_field, function_name, function_params, rows) -> None:
    if client.has_collection(collection_name):
        client.drop_collection(collection_name)
    schema = MilvusClient.create_schema(auto_id=True, enable_dynamic_field=False)
    add_id(schema)
    for name, data_type, max_length in input_fields:
        field_params = {"max_length": max_length} if max_length is not None else {}
        schema.add_field(name, data_type, **field_params)
    output_name, output_data_type, output_max_length = output_field
    output_params = {"max_length": output_max_length} if output_max_length is not None else {}
    schema.add_field(output_name, output_data_type, **output_params)
    add_dummy_vector(schema)
    schema.add_function(
        Function(
            name=function_name,
            function_type=texttransform_function_type(),
            input_field_names=[name for name, _, _ in input_fields],
            output_field_names=[output_name],
            params=function_params,
        )
    )
    index_params = client.prepare_index_params()
    index_params.add_index(field_name="dummy_vector", index_type="AUTOINDEX", metric_type="COSINE")
    client.create_collection(collection_name=collection_name, schema=schema, index_params=index_params)
    client.insert(collection_name, rows)
    client.flush(collection_name)
    fields = [name for name, _, _ in input_fields] + [output_name]
    for row in client.query(collection_name, filter="", output_fields=fields, limit=len(rows)):
        print(row)

MODEL_NAME = "qwen3.7-max"
client = MilvusClient(uri=MILVUS_URI, token=MILVUS_TOKEN)

run_texttransform_example(
    client=client,
    collection_name="simple_ai_similarity",
    input_fields=[("left_text", DataType.VARCHAR, 4096), ("right_text", DataType.VARCHAR, 4096)],
    output_field=("similarity", DataType.DOUBLE, None),
    function_name="compare_texts",
    function_params={"provider": "aliyun_milvus", "model_name": MODEL_NAME, "task": "ai_similarity", "temperature": 0},
    rows=[{"left_text": "A cat is a mammal.", "right_text": "Cats belong to mammals.", "dummy_vector": [0.1, 0.2]}],
)
# 期待される結果: similarity の値は 1 に近いスコア (非常に類似) になります

類似したペア (猫と哺乳類の例など) は 1 に近いスコアとなり、類似していないペアは 0 に近いスコアとなります。スコアが 0.85 を超える質問を、同じ処理キューに振り分けることができます。