COSINE_DISTANCE (Lakehouse v1)

Ten dokument przedstawia funkcję cosine_distance w PlaidCloud Lakehouse i pokazuje, jak za jej pomocą mierzyć podobieństwo dokumentów.

Funkcja cosine_distance w PlaidCloud Lakehouse jest wbudowaną funkcją obliczającą odległość kosinusową między dwoma wektorami. Jest powszechnie używana w zadaniach przetwarzania języka naturalnego, takich jak podobieństwo dokumentów i systemy rekomendacji.

Odległość kosinusowa jest miarą podobieństwa między dwoma wektorami, opartą na kosinusie kąta między nimi. Funkcja przyjmuje dwa wektory wejściowe i zwraca wartość od 0 do 1, gdzie 0 oznacza wektory identyczne, a 1 wektory ortogonalne (całkowicie niepodobne).

Składnia Analyze

func.cosine_distance(<vector1>, <vector2>)

Przykłady SQL

Tworzenie tabeli i wstawianie przykładowych danych

Utwórzmy tabelę do przechowywania kilku przykładowych dokumentów tekstowych i odpowiadających im osadzeń:

CREATE TABLE articles (
    id INT,
    title VARCHAR,
    content VARCHAR,
    embedding ARRAY(FLOAT32)
);

Teraz wstawmy do tabeli kilka przykładowych dokumentów:

INSERT INTO articles (id, title, content, embedding)
VALUES
    (1, 'Python for Data Science', 'Python is a versatile programming language widely used in data science...', ai_embedding_vector('Python is a versatile programming language widely used in data science...')),
    (2, 'Introduction to R', 'R is a popular programming language for statistical computing and graphics...', ai_embedding_vector('R is a popular programming language for statistical computing and graphics...')),
    (3, 'Getting Started with SQL', 'Structured Query Language (SQL) is a domain-specific language used for managing relational databases...', ai_embedding_vector('Structured Query Language (SQL) is a domain-specific language used for managing relational databases...'));

Wyszukiwanie podobnych dokumentów

Teraz znajdźmy dokumenty najbardziej podobne do danego zapytania, używając funkcji cosine_distance:

SELECT
    id,
    title,
    content,
    cosine_distance(embedding, ai_embedding_vector('How to use Python in data analysis?')) AS similarity
FROM
    articles
ORDER BY
    similarity ASC
    LIMIT 3;

Wynik:

┌──────┬──────────────────────────┬─────────────────────────────────────────────────────────────────────────────────────────────────────────┬────────────┐
│ id   │ title                    │ content                                                                                                 │ similarity │
├──────┼──────────────────────────┼─────────────────────────────────────────────────────────────────────────────────────────────────────────┼────────────┤
│    1 │ Python for Data Science  │ Python is a versatile programming language widely used in data science...                               │  0.1142081 │
│    2 │ Introduction to R        │ R is a popular programming language for statistical computing and graphics...                           │ 0.18741018 │
│    3 │ Getting Started with SQL │ Structured Query Language (SQL) is a domain-specific language used for managing relational databases... │ 0.25137568 │
└──────┴──────────────────────────┴─────────────────────────────────────────────────────────────────────────────────────────────────────────┴────────────┘