Documentation
Computer Science
資料庫
Vector Database
Redis Vector Database

Redis Vector Database

Redis 作為向量資料庫的設定與使用方式，包含向量建模、索引建立與搜尋配置。

環境設定

使用 Python 進行向量 embedding 計算，需要以下套件：

python -m venv redisvenv
source ./redisvenv/bin/activate

pip install sentence_transformers
pip install imgbeddings

首次執行時會下載 embedding 模型 all-MiniLM-L6-v2。

向量建模

Redis as Vector Database

向量在 Redis 中以字串形式儲存，需要將向量序列化後存入對應的資料結構。

使用 String 儲存

最簡單的方式是直接以逗號分隔的字串儲存：

SET vec "0.00555776,0.06124274,-0.05503812,-0.08395513,-0.09052192,-0.01091553,-0.06539601,0.01099653,-0.07732834,0.0536432"

使用 Hash 儲存

向量以二進位 blob 形式存於 Hash 中：

{
    "content": "Understanding vector search is easy, but understanding all the mathematics behind a vector is not!",
    "genre": "technical",
    "embedding": "..."
}

使用 JSON 儲存

透過 RedisJSON 模組，可直接以 JSON 格式儲存文件與向量。

建立向量索引

使用 FT.CREATE 指令建立向量索引，支援 Hash 與 JSON 兩種資料結構。

Hash 索引 

FT.CREATE doc_idx ON HASH PREFIX 1 doc: SCHEMA content AS content TEXT genre AS genre TAG embedding VECTOR HNSW 6 TYPE FLOAT32 DIM 384 DISTANCE_METRIC COSINE

JSON 索引 

FT.CREATE doc_idx ON JSON PREFIX 2 doc: SCHEMA $.content AS content TEXT $.genre AS genre TAG $.embedding VECTOR HNSW 6 TYPE FLOAT32 DIM 384 DISTANCE_METRIC COSINE

索引參數說明

參數說明範例值
DIM向量維度，由 embedding 模型決定384（all-MiniLM-L6-v2）
TYPE向量資料類型FLOAT32
DISTANCE_METRIC距離計算方式COSINE、L2、IP
HNSW / FLAT索引方法依資料量選擇

索引方法

FLAT

適合小型資料集。

  • 將測試向量與索引中的所有向量逐一比較
  • 結果最準確，但速度較慢且計算密集

HNSW (Hierarchical Navigable Small World)

適合大型資料集。

  • 採用機率性方法，透過 HNSW 演算法進行搜尋
  • 搜尋速度快，但犧牲部分準確度以換取效能提升

距離計算

餘弦距離（cosine distance）與餘弦相似度互補，可透過 1 - cosine_similarity 計算：

cosine distance=1−cosine similarity \text{cosine distance} = 1 - \text{cosine similarity}

詳細的距離計算方式請參考 Semantic Search。

應用場景

  • 文字推薦系統 - 基於文字內容的相似度推薦
  • 圖片搜尋 - 透過 imgbeddings 將圖片轉換為向量
  • RAG 系統 - 結合 LLM 進行檢索增強生成

相關主題

Semantic Search