COSINE_DISTANCE (Lakehouse v1)

Este documento apresenta uma visão geral da função cosine_distance no PlaidCloud Lakehouse e demonstra como medir a similaridade entre documentos com ela.

A função cosine_distance do PlaidCloud Lakehouse é uma função integrada que calcula a distância de cosseno entre dois vetores. Ela é muito usada em tarefas de processamento de linguagem natural, como similaridade de documentos e sistemas de recomendação.

A distância de cosseno é uma medida de similaridade entre dois vetores, baseada no cosseno do ângulo entre eles. A função recebe dois vetores de entrada e retorna um valor entre 0 e 1, em que 0 indica vetores idênticos e 1 indica vetores ortogonais (completamente diferentes).

Sintaxe no Analyze

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

Exemplos de SQL

Criação de uma tabela e inserção de dados de exemplo

Vamos criar uma tabela para armazenar alguns documentos de texto de exemplo e os embeddings correspondentes:

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

Agora, vamos inserir alguns documentos de exemplo na tabela:

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...'));

Consulta de documentos semelhantes

Agora, vamos encontrar os documentos mais semelhantes a uma consulta usando a função 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;

Resultado:

┌──────┬──────────────────────────┬─────────────────────────────────────────────────────────────────────────────────────────────────────────┬────────────┐
│ 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 │
└──────┴──────────────────────────┴─────────────────────────────────────────────────────────────────────────────────────────────────────────┴────────────┘