在企业应用中，相似性搜索Joins关系型数据非常常见。需要企业级基于成本的优化器来决定选择Join和向量索引使用等。就现有的专用向量数据库而言，不可能做到以上功能。

示例1：

返回其中包含与此查询文本相似的文本，其中该书的类型为“小说”，作者来自“危地马拉（Guatemala）”的前5本书

Select pageID from Authors, Books, Pages where Authors.authorID = Books.authorID and Books.bookID = Pages.bookID and Books.bookGenre = 'Fiction' and Author.authorCountry = 'Guatemala'order by vector_distance(pageVec, :queryVec) fetch approx first 5 rows only;

示例2

显示过去5年中根据与所提供查询图像的相似性按年份分组的前3张照片。这些照片应该是在距离旧金山20英里的范围内拍摄的，至少有100人观看过。

2 简单使用Oracle Vector

环境

由于Oracle DB 21c开始，Oracle取消了Non-CDB，因此后续操作都在PDB中执行。

创建包含Vector数据类型的表

vector数据类型作为Oracle DB 23c默认自带的数据类型，不需要类似于其他数据库那样的额外操作。

create table flower_vec (id number primary key,flower_image blob,flower_vector vector);

插入向量数据

这里我从百度随便找了一张花的图片，复制到/home/oracle/flower下，文件名为flower_example.png。 首先先创建一个基础表用来生成图片的二进制数据：

create table flower (flower_image blob);

导入图片二进制信息：

create directory flower_dir as '/home/oracle/flower';declare
  l_bfile bfile;
  l_blob blob;begin
  insert into flower(flower_image) values (empty_blob()) return flower_image into l_blob;
  l_bfile := bfilename ('FLOWER_DIR','flower_example.png');
  dbms_lob.open(l_bfile, dbms_lob.file_readonly);
  dbms_lob.loadfromfile(l_blob,l_bfile,dbms_lob.getlength(l_bfile));
  dbms_lob.close(l_bfile);  commit;end;
/

生成向量数据并导入： 这里使用Python来生成向量数据并插入，关于SQL EMBEDDING放在正式版出来以后再测试：

from towhee import pipe, ops
p = (
    pipe.input('path')
        .map('path', 'img', ops.image_decode())
        .map('img', 'vec', ops.image_embedding.timm(model_name='resnet50'))
        .output('vec')
)
vector_data = p('flower_example.png').get()
-->最终生成2048维度的向量，这里感谢我同事郑安宁同学提供的脚本

由于2048维度的向量超过了sqlplus支撑长度（Oracle Vector是支持至少4096维度的），因此只截取了前10个向量：

insert into flower_vec select 1,flower_image,to_vector('[0.050895579159259796,0.002409987384453416,0,0.01872553676366806,0.01558636873960495,0,0.0197914931923151,0,0.00522683234885335]') from flower;

总结

本期介绍了Oracle Vector的其他特性意见简单的实战使用。下一期将依据Oracle Livelabs中的介绍进行进一步探索。 老规矩，知道写了些啥。