Tablestore:Usar consulta vetorial KNN

1. Acesse a aba Index Management.

   1. Faça login no console do Table Store.

   2. Na barra de navegação superior, selecione um grupo de recursos e uma região.

   3. Na página Overview, clique em nome da instância ou em Instance Management na coluna Actions.

   4. Na aba Instance Details, dentro da aba Data Table List, clique em nome da tabela de dados ou em Index Management na coluna Actions.

2. Na aba Index Management, localize o Search Index desejado e clique em Search na coluna Actions.

3. Na caixa de diálogo Search, configure os parâmetros de consulta.

   1. Por padrão, o sistema retorna todas as colunas. Para retornar colunas específicas, desative Retrieve All Columns e insira os nomes das colunas separados por vírgulas.

      Nota

      Por padrão, o Table Store retorna as colunas de chave primária da tabela de dados.

   2. Selecione um operador lógico: And, Or ou Not.

      Ao selecionar And, a consulta retorna dados que atendem a todas as condições especificadas. Se optar por Or, a consulta retorna dados que satisfazem pelo menos uma das condições. Já a opção Not faz com que a consulta retorne dados que não correspondem às condições definidas.

   3. Selecione um campo vetorial e clique em Add.

   4. Defina o tipo de consulta do campo vetorial como KNN vector query (KnnVectorQuery) e insira o vetor de consulta e o valor topK.

      Insira o vetor no formato solicitado na página.

   5. A ordenação vem desativada por padrão. Para classificar os resultados por um campo específico, ative Enable Sorting, adicione o campo de classificação e configure a ordem.

   6. A agregação também é desativada por padrão. Para realizar uma agregação estatística em um campo específico, ative Enable Aggregation, adicione o campo para agregação e defina as configurações.

4. Clique em OK.

   Os resultados da consulta aparecem na aba Index Management.

Execute consultas vetoriais KNN com o Java SDK, Go SDK, Python SDK ou Node.js SDK. O exemplo abaixo usa o Java SDK.

O exemplo a seguir recupera os 10 vizinhos mais próximos de um determinado vetor, com pontuação mínima de similaridade de 0,1. Os resultados são filtrados adicionalmente para linhas onde Col_Keyword é 'hangzhou' e Col_Long é menor que 4.

private static void knnVectorQuery(SyncClient client) {
    SearchQuery searchQuery = new SearchQuery();
    KnnVectorQuery query = new KnnVectorQuery();
    query.setFieldName("Col_Vector");
    query.setTopK(10); // Return the top K nearest neighbors.
    query.setMinScore(0.1f); // Return only rows with a score greater than 0.1.
    query.setFloat32QueryVector(new float[]{0.1f, 0.2f, 0.3f, 0.4f});
    // The nearest neighbors must also satisfy the conditions: Col_Keyword = 'hangzhou' AND Col_Long < 4.
    query.setFilter(QueryBuilders.bool()
            .must(QueryBuilders.term("Col_Keyword", "hangzhou"))
            .must(QueryBuilders.range("Col_Long").lessThan(4))
    );
    searchQuery.setQuery(query);
    searchQuery.setLimit(10);
    // Sort the results by score.
    searchQuery.setSort(new Sort(Collections.singletonList(new ScoreSort())));
    SearchRequest searchRequest = new SearchRequest("<TABLE_NAME>", "<SEARCH_INDEX_NAME>", searchQuery);
    SearchRequest.ColumnsToGet columnsToGet = new SearchRequest.ColumnsToGet();
    columnsToGet.setColumns(Arrays.asList("Col_Keyword", "Col_Long"));
    searchRequest.setColumnsToGet(columnsToGet);
    // Call the search operation.
    SearchResponse resp = client.search(searchRequest);
    for (SearchHit hit : resp.getSearchHits()) {
        // Print the score.
        System.out.println(hit.getScore());
        // Print the row data.
        System.out.println(hit.getRow());
    }
}