使用 PGVector 进行向量相似性搜索的实战指南

使用 PGVector 进行向量相似性搜索的实战指南

技术背景介绍

PGVector 是一个用于 PostgreSQL 数据库的向量相似性搜索包。它允许我们在 PostgreSQL 中存储和搜索高维向量，非常适合用于如文本、图像等相似性搜索的场景。在这篇文章中，我们将展示如何使用 PGVector 创建一个向量存储，并演示如何使用 SelfQueryRetriever 从中进行检索。

核心原理解析

PGVector 增强了 PostgreSQL 数据库的功能，使其能够处理和检索高维向量数据。在我们创建向量存储并向其插入数据后，我们可以使用各种检索工具（如 SelfQueryRetriever）基于向量的相似性进行查询。

代码实现演示

接下来我们开始实际的代码实现。

安装依赖包

首先，我们需要安装一些必要的 Python 包。

%pip install --upgrade --quiet lark pgvector psycopg2-binary

设置 OpenAI API Key

我们将使用 OpenAI 提供的嵌入来创建向量，因此需要获取 OpenAI API Key。

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")

创建 PGVector 向量存储

我们将创建一个 PGVector 向量存储，并向其插入一些示例文档。这些文档包含一些电影的简要描述。

from langchain_community.vectorstores import PGVector
from langchain_core.documents import Document
from langchain_openai import OpenAIEmbeddings

# 使用稳定可靠的API服务
client = openai.OpenAI(
    base_url='https://yunwu.ai/v1',  # 国内稳定访问
    api_key=os.getenv("OPENAI_API_KEY")
)

collection = "Name of your collection"
embeddings = OpenAIEmbeddings()

docs = [
    Document(
        page_content="A bunch of scientists bring back dinosaurs and mayhem breaks loose",
        metadata={"year": 1993, "rating": 7.7, "genre": "science fiction"},
    ),
    Document(
        page_content="Leo DiCaprio gets lost in a dream within a dream within a dream within a ...",
        metadata={"year": 2010, "director": "Christopher Nolan", "rating": 8.2},
    ),
    Document(
        page_content="A psychologist / detective gets lost in a series of dreams within dreams within dreams and Inception reused the idea",
        metadata={"year": 2006, "director": "Satoshi Kon", "rating": 8.6},
    ),
    Document(
        page_content="A bunch of normal-sized women are supremely wholesome and some men pine after them",
        metadata={"year": 2019, "director": "Greta Gerwig", "rating": 8.3},
    ),
    Document(
        page_content="Toys come alive and have a blast doing so",
        metadata={"year": 1995, "genre": "animated"},
    ),
    Document(
        page_content="Three men walk into the Zone, three men walk out of the Zone",
        metadata={
            "year": 1979,
            "director": "Andrei Tarkovsky",
            "genre": "science fiction",
            "rating": 9.9,
        },
    ),
]

vectorstore = PGVector.from_documents(
    docs,
    embeddings,
    collection_name=collection,
)

创建自我查询检索器

接下来，我们将创建 SelfQueryRetriever，并提供一些关于文档元数据字段的信息。

from langchain_chains.query_constructor.base import AttributeInfo
from langchain_retrievers.self_query.base import SelfQueryRetriever
from langchain_openai import OpenAI

metadata_field_info = [
    AttributeInfo(
        name="genre",
        description="The genre of the movie",
        type="string or list[string]",
    ),
    AttributeInfo(
        name="year",
        description="The year the movie was released",
        type="integer",
    ),
    AttributeInfo(
        name="director",
        description="The name of the movie director",
        type="string",
    ),
    AttributeInfo(
        name="rating", description="A 1-10 rating for the movie", type="float"
    ),
]

document_content_description = "Brief summary of a movie"
llm = OpenAI(temperature=0)
retriever = SelfQueryRetriever.from_llm(
    llm, vectorstore, document_content_description, metadata_field_info, verbose=True
)

测试检索器

现在，我们可以尝试使用我们的检索器进行实际查询。

# This example only specifies a relevant query
print(retriever.invoke("What are some movies about dinosaurs"))

# This example only specifies a filter
print(retriever.invoke("I want to watch a movie rated higher than 8.5"))

# This example specifies a query and a filter
print(retriever.invoke("Has Greta Gerwig directed any movies about women"))

# This example specifies a composite filter
print(retriever.invoke("What's a highly rated (above 8.5) science fiction film?"))

# This example specifies a query and composite filter
print(retriever.invoke(
    "What's a movie after 1990 but before 2005 that's all about toys, and preferably is animated"
))

设置文档数量限制

我们还可以使用 self query retriever 来指定 k，即要获取的文档数量。

retriever = SelfQueryRetriever.from_llm(
    llm,
    vectorstore,
    document_content_description,
    metadata_field_info,
    enable_limit=True,
    verbose=True,
)

# This example only specifies a relevant query
print(retriever.invoke("what are two movies about dinosaurs"))

应用场景分析

PGVector 非常适用于需要在数据库中存储和快速检索高维向量的场景，如文本相似性搜索、推荐系统、图像搜索等。在这些场景中，通过向量表示可以大大提高检索的精度和效率。

实践建议

在实际使用 PGVector 时，建议：

1. 根据具体应用场景选择合适的向量嵌入方法。
2. 对向量数据进行标准化处理，以提高查询性能。
3. 定期更新向量存储中的数据，确保检索结果的准确性。

如果遇到问题欢迎在评论区交流。