Поддержка нескольких векторных полей в поиске ИИ Azure

Функция поддержки многоекторных полей в поиске ИИ Azure позволяет индексировать несколько дочерних векторов в одном поле документа. Эта функция ценна для вариантов использования, таких как многомодальные данные или документы длинной формы, где представление содержимого с одним вектором приведет к потере важных деталей.

Ограничения

• Семантический рангировщик не поддерживается для вложенных блоков в сложном поле. Поэтому семантический рангировщик не поддерживает вложенные векторы в полях с несколькими векторами.

Общие сведения о поддержке многоекторных полей

Традиционно типы векторов, например Collection(Edm.Single) , могут использоваться только в полях верхнего уровня. Благодаря поддержке многоекторных полей теперь можно использовать типы вложенных полей сложных коллекций, что позволяет эффективно связывать несколько векторов с одним документом.

Один документ может содержать до 100 векторов в общей сложности во всех сложных полях коллекции. Векторные поля могут быть вложены только на один уровень глубины.

Определение индекса с многоекторным полем

Для этой функции не требуются новые свойства индекса. Ниже приведен пример определения индекса:

{
  "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
        }
      ]
    }
  ]
}

Пример документа загрузки

Ниже приведен пример документа, иллюстрирующий использование многоекторных полей на практике:

{
  "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"
    }
  ]
}

В этом примере поле сцен представляет собой сложную коллекцию, содержащую несколько векторов (поля внедрения), а также другие связанные данные. Каждый вектор представляет сцену из фильма и может использоваться для поиска аналогичных сцен в других фильмах, среди других потенциальных вариантов использования.

Поддержка запросов с несколькими векторными полями

Функция поддержки полей с несколькими векторами содержит некоторые изменения в механизме запросов в службе поиска искусственного интеллекта Azure. Однако основной процесс запроса остается в значительной степени одинаковым. Ранее vectorQueries мог быть нацелен только на векторные поля, определенные как поля индекса верхнего уровня. Благодаря этой функции мы снимаем это ограничение и разрешаем vectorQueries ориентироваться на поля, которые вложены в коллекции сложных типов (до одного уровня глубины). Кроме того, доступен новый параметр времени запроса: perDocumentVectorLimit

• Установка perDocumentVectorLimit в 1 обеспечивает соответствие не более одного вектора на документ, гарантируя, что результаты получены из разных документов.
• Установка perDocumentVectorLimit в 0 (неограниченно) позволяет сопоставить несколько соответствующих векторов из одного документа.

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

Ранжирование по нескольким векторам в одном поле

Если несколько векторов связаны с одним документом, поиск ИИ Azure использует максимальную оценку среди них для ранжирования. Система использует наиболее релевантный вектор для оценки каждого документа, что предотвращает разбавление менее релевантными.

Получение соответствующих элементов в коллекции

Если коллекция сложных типов включена в $select параметр, возвращаются только элементы, соответствующие запросу вектора. Это полезно для получения связанных метаданных, таких как метки времени, текстовые описания или пути изображения.

Отладка запросов с несколькими векторами (предварительная версия)

Если документ содержит несколько внедренных векторов, таких как вставка текста и изображения в разных подполях, система использует самую высокую оценку векторов во всех элементах для ранжирования документа.

Чтобы выполнить отладку каждого вектора innerHits , используйте режим отладки (доступен в последней предварительной версии REST API).

POST /indexes/my-index/docs/search?api-version=2025-11-01-preview
{
  "vectorQueries": [
    {
      "kind": "vector",
      "field": "keyframes.imageEmbedding",
      "kNearestNeighborsCount": 5,
      "vector": [ /* query vector */ ]
    }
  ],
  "debug": "innerHits"
}

Пример фигуры ответа

"@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
            }
          }
        ]
      }
    ]
  }
}

Описания полей

Связь с debug=vector

Ниже приведены некоторые факты об этом свойстве:

• Существующий debug=vector коммутатор остается неизменным.

• При использовании с полями с несколькими векторами, поля @search.documentDebugInfo.vector.subscore показывают максимальную оценку, используемую для ранжирования родительского документа, но не детальная информация по каждому элементу.

• Используйте innerHits для получения сведений о том, как отдельные элементы способствовали оценке.