使用適用於 PostgreSQL 的 Azure 資料庫 - 彈性伺服器和 Azure OpenAI 的建議系統
適用於：
適用於 PostgreSQL 的 Azure 資料庫 - 彈性伺服器
本實際操作教學課程示範如何使用 適用於 PostgreSQL 的 Azure 資料庫 彈性伺服器和 Azure OpenAI 服務來建置推薦應用程式。 建議可套用在不同的領域 – 服務提供者通常會根據先前從客戶和環境收集的記錄和內容資訊，為其提供的產品和服務提供建議。
建議系統建模有多種不同的方法。 本文會探索最簡單的方法 – 基於先前的購買對一樣產品提出建議。 本教學課程會使用語意搜尋文章中所使用的食譜資料集，並會根據客戶先前喜歡或搜尋的食譜做出建議。
必要條件
- 建立 OpenAI 帳戶，並 要求 Azure OpenAI Service 的存取。
- 在所需的訂用帳戶中授與 Azure OpenAI 的存取權。
- 授與 建立 Azure OpenAI 資源及部署模型 的權限。
建立及部署 Azure OpenAI 服務資源和模型，部署內嵌模型 文字內嵌-ada-002。 複製部署名稱，因為需要用以建立內嵌。
啟用 azure_ai 和 pgvector 延伸模組
在適用於 PostgreSQL 的 Azure 資料庫彈性伺服器執行個體上啟用 azure_ai 和 pgvector 之前，您必須先將它們新增至您的允許清單 (如如何使用 PostgreSQL 延伸模組所述)，並執行 SHOW azure.extensions; 來檢查是否已正確新增。
然後，您可以連線到目標資料庫並執行 CREATE EXTENSION 命令來安裝延伸模組。 您需要為每個您希望延伸模組可用的資料庫分別重複該命令。
CREATE EXTENSION azure_ai;
CREATE EXTENSION vector;
設定 OpenAI 端點和金鑰
在 Azure AI 服務中，在 [資源管理]>[金鑰和端點] 下，您可以找到 Azure AI 資源的端點和金鑰。 使用端點和其中一個金鑰來啟用 azure_ai 延伸模組以叫用模型部署。
select azure_ai.set_setting('azure_openai.endpoint','https://<endpoint>.openai.azure.com');
select azure_ai.set_setting('azure_openai.subscription_key', '<API Key>');
下載和匯入資料
- 從 Kaggle 下載資料。
- 線上到您的伺服器並建立
test資料庫，並在其中建立資料表以匯入數據。 - 匯入資料。
- 將內嵌資料行新增至資料表。
- 產生內嵌。
- 搜尋。
建立資料表
CREATE TABLE public.recipes(
rid integer NOT NULL,
recipe_name text,
prep_time text,
cook_time text,
total_time text,
servings integer,
yield text,
ingredients text,
directions text,
rating real,
url text,
cuisine_path text,
nutrition text,
timing text,
img_src text,
PRIMARY KEY (rid)
);
匯入資料
在用戶端視窗上設定下列環境變數，以將編碼設定為 utf-8。 此步驟是必要的，因為這個特定資料集會使用 WIN1252 編碼。
Rem on Windows
Set PGCLIENTENCODING=utf-8;
# on Unix based operating systems
export PGCLIENTENCODING=utf-8
將資料匯入已建立的資料表中；請注意，此資料集包含標頭資料列：
psql -d <database> -h <host> -U <user> -c "\copy recipes FROM <local recipe data file> DELIMITER ',' CSV HEADER"
新增資料行以儲存內嵌
ALTER TABLE recipes ADD COLUMN embedding vector(1536);
產生內嵌
使用 azure_ai 延伸模組為您的資料產生內嵌。 在下列項目中，我們會將幾個不同的欄位向量化，並串連：
WITH ro AS (
SELECT ro.rid
FROM
recipes ro
WHERE
ro.embedding is null
LIMIT 500
)
UPDATE
recipes r
SET
embedding = azure_openai.create_embeddings('text-embedding-ada-002', r.recipe_name||' '||r.cuisine_path||' '||r.ingredients||' '||r.nutrition||' '||r.directions)
FROM
ro
WHERE
r.rid = ro.rid;
重複命令，直到沒有其他要處理的資料列為止。
提示
探索 LIMIT 的運作。 使用高值時，陳述式可能會因為 Azure OpenAI 所施加的節流而中途失敗。 如果失敗，請至少等候一分鐘，然後再次執行命令。
為了方便起見，請在資料庫中建立搜尋函式：
create function
recommend_recipe(sampleRecipeId int, numResults int)
returns table(
out_recipeName text,
out_nutrition text,
out_similarityScore real)
as $$
declare
queryEmbedding vector(1536);
sampleRecipeText text;
begin
sampleRecipeText := (select
recipe_name||' '||cuisine_path||' '||ingredients||' '||nutrition||' '||directions
from
recipes where rid = sampleRecipeId);
queryEmbedding := (azure_openai.create_embeddings('text-embedding-ada-002',sampleRecipeText));
return query
select
distinct r.recipe_name,
r.nutrition,
(r.embedding <=> queryEmbedding)::real as score
from
recipes r
order by score asc limit numResults; -- cosine distance
end $$
language plpgsql;
現在只要叫用函式便可搜尋建議：
select out_recipename, out_similarityscore from recommend_recipe(1, 20); -- search for 20 recipe recommendations that closest to recipeId 1
並探索結果：
out_recipename | out_similarityscore
---------------------------------------+---------------------
Apple Pie by Grandma Ople | 0
Easy Apple Pie | 0.05137232
Grandma's Iron Skillet Apple Pie | 0.054287136
Old Fashioned Apple Pie | 0.058492836
Apple Hand Pies | 0.06449003
Apple Crumb Pie | 0.07290977
Old-Fashioned Apple Dumplings | 0.078374185
Fried Apple Pies | 0.07918481
Apple Pie Filling | 0.084320426
Apple Turnovers | 0.08576391
Dutch Apple Pie with Oatmeal Streusel | 0.08779895
Apple Crisp - Perfect and Easy | 0.09170883
Delicious Cinnamon Baked Apples | 0.09384012
Easy Apple Crisp with Pie Filling | 0.09477234
Jump Rope Pie | 0.09503954
Easy Apple Strudel | 0.095167875
Apricot Pie | 0.09634114
Easy Apple Crisp with Oat Topping | 0.09708358
Baked Apples | 0.09826993
Pear Pie | 0.099974394
(20 rows)