Több-vektoros mezők támogatása az Azure AI Keresésben (előzetes verzió)

A Azure AI Keresés többvektoros mezőtámogatási funkciója (előzetes verzió) lehetővé teszi, hogy több gyermekvektort indexeljen egyetlen dokumentummezőn belül. Ez a funkció olyan használati esetekben hasznos, mint a multimodális adatok vagy a hosszú formátumú dokumentumok, ahol a tartalom egyetlen vektorral való ábrázolása fontos részletek elvesztéséhez vezet.

Korlátozások

• A szemantikai rangsoroló nem támogatott beágyazott adattömbök esetén egy összetett mezőben. Ezért a szemantikai rangsoroló nem támogatja a többvektoros mezőkbe ágyazott vektorokat.

A többvektoros mező támogatásának ismertetése

Hagyományosan a vektortípusok, például Collection(Edm.Single), csak a legfelső szintű mezőkben használhatók. A többvektoros mezőtámogatás bevezetésével mostantól összetett gyűjtemények beágyazott mezőiben is használhat vektortípusokat, így hatékonyan több vektor társítható egyetlen dokumentumhoz.

Egyetlen dokumentum összesen legfeljebb 100 vektort tartalmazhat az összes összetett gyűjteménymezőben. A vektormezők csak egy szinttel mélyebben ágyazhatók be.

Indexdefiníció többvektoros mezővel

Ehhez a funkcióhoz nincs szükség új indextulajdonságokra. Íme egy minta indexdefiníció:

{
  "name": "multivector-index",
  "fields": [
    {
      "name": "id",
      "type": "Edm.String",
      "key": true,
      "searchable": true
    },
    {
      "name": "title",
      "type": "Edm.String",
      "searchable": true
    },
    {
      "name": "description",
      "type": "Edm.String",
      "searchable": true
    },
    {
      "name": "descriptionEmbedding",
      "type": "Collection(Edm.Single)",
      "dimensions": 3,
      "searchable": true,
      "retrievable": true,
      "vectorSearchProfile": "hnsw"
    },
    {
      "name": "scenes",
      "type": "Collection(Edm.ComplexType)",
      "fields": [
        {
          "name": "embedding",
          "type": "Collection(Edm.Single)",
          "dimensions": 3,
          "searchable": true,
          "retrievable": true,
          "vectorSearchProfile": "hnsw"
        },
        {
          "name": "timestamp",
          "type": "Edm.Int32",
          "retrievable": true
        },
        {
          "name": "description",
          "type": "Edm.String",
          "searchable": true,
          "retrievable": true
        },
        {
          "name": "framePath",
          "type": "Edm.String",
          "retrievable": true
        }
      ]
    }
  ]
}

Minta betöltési dokumentum

Az alábbi mintadokumentum bemutatja, hogyan használhat többvektoros mezőket a gyakorlatban:

{
  "id": "123",
  "title": "Non-Existent Movie",
  "description": "A fictional movie for demonstration purposes.",
  "descriptionEmbedding": [1, 2, 3],
  "releaseDate": "2025-08-01",
  "scenes": [
    {
      "embedding": [4, 5, 6],
      "timestamp": 120,
      "description": "A character is introduced.",
      "framePath": "nonexistentmovie\\scenes\\scene120.png"
    },
    {
      "embedding": [7, 8, 9],
      "timestamp": 2400,
      "description": "The climax of the movie.",
      "framePath": "nonexistentmovie\\scenes\\scene2400.png"
    }
  ]
}

Ebben a példában a jelenetmező egy összetett gyűjtemény, amely több vektort (a beágyazási mezőket) és más kapcsolódó adatokat tartalmaz. Az egyes vektorok a film egy jelenetét jelölik, és más lehetséges használati esetek mellett más filmekben is hasonló jeleneteket találhatnak.

Lekérdezés többvektoros mezőtámogatással

A többvektoros mezőtámogatási funkció bizonyos módosításokat vezet be a Azure AI Keresés lekérdezési mechanizmusában. A fő lekérdezési folyamat azonban nagyrészt ugyanaz marad. vectorQueries Korábban csak a legfelső szintű indexmezőkként definiált vektormezőket célozhatta meg. Ezzel a funkcióval enyhítjük ezt a korlátozást, és lehetővé tesszük a vectorQueries számára, hogy olyan mezőket célozhassanak meg, amelyek összetett típusok gyűjteményébe vannak ágyazva (akár egy szinttel mélyebbre). Emellett egy új lekérdezési időparaméter is elérhető: perDocumentVectorLimit.

• Ha úgy van perDocumentVectorLimit beállítva1, hogy dokumentumonként legfeljebb egy vektor feleljen meg, garantálva, hogy az eredmények különböző dokumentumokból származnak.
• perDocumentVectorLimit értéke 0 (korlátlan) állításával lehetővé válik, hogy több releváns vektor legyen megfeleltethető ugyanabból a dokumentumból.

{
  "vectorQueries": [
    {
      "kind": "text",
      "text": "whales swimming",
      "K": 50,
      "fields": "scenes/embedding",
      "perDocumentVectorLimit": 0
    }
  ],
  "select": "title, scenes/timestamp, scenes/framePath"
}

Rangsorolás több vektor között egyetlen mezőben

Ha több vektor van társítva egyetlen dokumentumhoz, Azure AI Keresés a rangsoroláshoz a maximális pontszámot használja. A rendszer a legrelevánsabb vektort használja az egyes dokumentumok pontozásához, ami megakadályozza a kevésbé relevánsak hígítását.

Gyűjtemény releváns elemeinek lekérése

Ha a paraméter összetett típusok gyűjteményét tartalmazza $select , a rendszer csak a vektoros lekérdezésnek megfelelő elemeket adja vissza. Ez hasznos a kapcsolódó metaadatok, például időbélyegek, szöveges leírások vagy képútvonalak lekéréséhez.

Többvektoros lekérdezések hibakeresése (előzetes verzió)

Ha egy dokumentum több beágyazott vektort is tartalmaz, például szöveg- és képbeágyazást különböző almezőkbe, a rendszer az összes elem legmagasabb vektorpontszámát használja a dokumentum rangsorolásához.

Az egyes vektorok közreműködésének hibakereséséhez használja a hibakeresési innerHits módot (amely a legújabb előzetes REST API-ban érhető el).

POST /indexes/my-index/docs/search?api-version=2026-08-01-preview
{
  "vectorQueries": [
    {
      "kind": "vector",
      "field": "keyframes.imageEmbedding",
      "kNearestNeighborsCount": 5,
      "vector": [ /* query vector */ ]
    }
  ],
  "debug": "innerHits"
}

Példa válaszalakzatra

"@search.documentDebugInfo": {
  "innerHits": {
    "keyframes": [
      {
        "ordinal": 0,
        "vectors": [
          {
            "imageEmbedding": {
              "searchScore": 0.958,
              "vectorSimilarity": 0.956
            },
            "textEmbedding": {
              "searchScore": 0.958,
              "vectorSimilarity": 0.956
            }
          }
        ]
      },
      {
        "ordinal": 1,
        "vectors": [
          {
            "imageEmbedding": null,
            "textEmbedding": {
              "searchScore": 0.872,
              "vectorSimilarity": 0.869
            }
          }
        ]
      }
    ]
  }
}

Mezőleírások

Kapcsolat a hibakeresési vektorral

Íme néhány tény erről a tulajdonságról:

• A meglévő debug=vector kapcsoló változatlan marad.

• Ha többvektoros mezőkkel használja, @search.documentDebugInfo.vector.subscore a szülődokumentum rangsorolásához használt maximális pontszámot jeleníti meg, elemenként azonban nem.

• Segítségével innerHits betekintést nyerhet abba, hogyan járultak hozzá az egyes elemek a pontszámhoz.