Manticore Search, y\u00fcksek performansl\u0131 ve \u00f6l\u00e7eklenebilir bir arama motoru olarak, metin tabanl\u0131 aramalar\u0131n yan\u0131 s\u0131ra modern uygulamalar\u0131n vazge\u00e7ilmezi haline gelen vekt\u00f6r aramalar\u0131n\u0131 da desteklemektedir. B\u00fcy\u00fck veri k\u00fcmelerinde en yak\u0131n kom\u015fu (KNN) aramalar\u0131, \u00f6zellikle yo\u011fun vekt\u00f6rler s\u00f6z konusu oldu\u011funda \u00f6nemli hesaplama kaynaklar\u0131 gerektirebilir. Bu makale, Manticore Search’te KNN aramalar\u0131n\u0131n verimlili\u011fini art\u0131rmak i\u00e7in kullan\u0131lan g\u00fc\u00e7l\u00fc bir teknik olan \u00f6n filtrelemeyi detayl\u0131 bir \u015fekilde ele alacakt\u0131r. \u00d6n filtreleme, arama kapsam\u0131n\u0131 ak\u0131ll\u0131ca daraltarak hem performans\u0131 art\u0131r\u0131r hem de kaynak t\u00fcketimini optimize eder.<\/p>\n
Modern arama ve \u00f6neri sistemlerinin temelini olu\u015fturan vekt\u00f6r aramalar\u0131, verilerin anlamsal yak\u0131nl\u0131\u011f\u0131n\u0131 ke\u015ffetmemizi sa\u011flar. Bu b\u00f6l\u00fcmde, KNN algoritmas\u0131n\u0131n ne oldu\u011funu, vekt\u00f6r embeddings kavram\u0131n\u0131 ve bu t\u00fcr aramalar\u0131n getirdi\u011fi zorluklar\u0131 inceleyece\u011fiz.<\/p>\n
K-En Yak\u0131n Kom\u015fu (K-Nearest Neighbors – KNN) algoritmas\u0131, bir veri noktas\u0131n\u0131n uzaydaki en yak\u0131n K adet kom\u015fusunu bulmaya dayal\u0131 basit ama g\u00fc\u00e7l\u00fc bir makine \u00f6\u011frenimi algoritmas\u0131d\u0131r. S\u0131n\u0131fland\u0131rma, regresyon ve \u00f6neri sistemleri gibi \u00e7e\u015fitli alanlarda kullan\u0131l\u0131r. \u00d6rne\u011fin, bir kullan\u0131c\u0131n\u0131n be\u011fendi\u011fi filmlere benzer K adet film bulmak veya bir \u00fcr\u00fcn\u00fcn g\u00f6rsel \u00f6zelliklerine en yak\u0131n K adet \u00fcr\u00fcn\u00fc listelemek KNN’nin yayg\u0131n kullan\u0131m alanlar\u0131ndand\u0131r. Temel prensip, bir sorgu vekt\u00f6r\u00fcne en benzer olan veri vekt\u00f6rlerini belirli bir uzakl\u0131k veya benzerlik \u00f6l\u00e7\u00fct\u00fcne g\u00f6re s\u0131ralamakt\u0131r.<\/p>\n
Vekt\u00f6r embeddings, metin, resim, ses gibi karma\u015f\u0131k veri t\u00fcrlerini, y\u00fcksek boyutlu say\u0131sal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrme i\u015flemidir. Bu vekt\u00f6rler, verinin anlamsal \u00f6zelliklerini ve ili\u015fkilerini yakalar. \u00d6rne\u011fin, “kedi” ve “k\u00f6pek” kelimelerinin embedding’leri, “masa” kelimesinin embedding’inden birbirine daha yak\u0131n konumlanacakt\u0131r. Bu sayede, kelimeler aras\u0131ndaki anlamsal benzerlikler matematiksel olarak ifade edilebilir.<\/p>\n
Vekt\u00f6rler aras\u0131ndaki benzerli\u011fi veya uzakl\u0131\u011f\u0131 \u00f6l\u00e7mek i\u00e7in \u00e7e\u015fitli metrikler kullan\u0131l\u0131r:<\/p>\n
Manticore Search, bu benzerlik \u00f6l\u00e7\u00fctlerini kullanarak vekt\u00f6r aramalar\u0131n\u0131 destekler.<\/p>\n
B\u00fcy\u00fck veri k\u00fcmelerinde, \u00f6zellikle y\u00fcksek boyutlu (\u00f6rne\u011fin 512, 768 veya daha fazla boyutlu) yo\u011fun vekt\u00f6rler \u00fczerinde KNN aramas\u0131 yapmak ciddi zorluklar i\u00e7erir. Her sorgu vekt\u00f6r\u00fc i\u00e7in veri k\u00fcmesindeki her vekt\u00f6rle kar\u015f\u0131la\u015ft\u0131rma yapmak (brute-force arama), veri k\u00fcmesi b\u00fcy\u00fcd\u00fck\u00e7e katlanarak artan bir hesaplama maliyetine yol a\u00e7ar. Bu durum, “boyut laneti” (curse of dimensionality) olarak bilinir ve sorgu s\u00fcrelerinin kabul edilemez seviyelere \u00e7\u0131kmas\u0131na neden olabilir. Bu nedenle, verimli bir \u015fekilde KNN aramas\u0131 yapabilmek i\u00e7in optimizasyon tekniklerine ihtiya\u00e7 duyulur.<\/p>\n
Manticore Search, modern arama motorlar\u0131n\u0131n sundu\u011fu geli\u015fmi\u015f yeteneklerden biri olan vekt\u00f6r aramalar\u0131n\u0131 yerle\u015fik olarak destekler. Bu yetenek, metin tabanl\u0131 aramalar\u0131n \u00f6tesine ge\u00e7erek anlamsal aramalar\u0131n kap\u0131s\u0131n\u0131 aralar.<\/p>\n
Manticore Search, Manticore’da vekt\u00f6r verilerini depolamak i\u00e7in \u00f6zel bir alan tipi olan \u00d6rnek bir indeks tan\u0131m\u0131:<\/p>\n <\/code><\/p>\n Bu tan\u0131m, 128 boyutlu Manticore Search, vekt\u00f6r aramalar\u0131n\u0131 ger\u00e7ekle\u015ftirmek i\u00e7in <\/code><\/p>\n Yukar\u0131daki sorgu, Vekt\u00f6r aramalar\u0131n\u0131n g\u00fcc\u00fcne ra\u011fmen, t\u00fcm veri k\u00fcmesi \u00fczerinde do\u011frudan KNN \u00e7al\u0131\u015ft\u0131rmak, \u00f6zellikle b\u00fcy\u00fck \u00f6l\u00e7ekli sistemlerde verimsiz olabilir. \u00d6n filtreleme, bu sorunu \u00e7\u00f6zmek i\u00e7in kritik bir optimizasyon tekni\u011fidir.<\/p>\n Milyonlarca veya milyarlarca vekt\u00f6r i\u00e7eren veri k\u00fcmelerinde, her sorgu i\u00e7in t\u00fcm vekt\u00f6rleri kar\u015f\u0131la\u015ft\u0131rmak, kabul edilemez derecede uzun sorgu s\u00fcrelerine ve y\u00fcksek hesaplama maliyetlerine yol a\u00e7ar. Bu, ger\u00e7ek zamanl\u0131 uygulamalar i\u00e7in bir darbo\u011faz olu\u015fturur. \u00d6n filtreleme, arama uzay\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde k\u00fc\u00e7\u00fclterek bu sorunu hafifletir.<\/p>\n \u00d6n filtrelemenin temel amac\u0131, KNN aramas\u0131n\u0131n yap\u0131laca\u011f\u0131 veri k\u00fcmesini, belirli kriterlere g\u00f6re \u00f6nceden daraltmakt\u0131r. \u00d6rne\u011fin, bir e-ticaret sitesinde \"ti\u015f\u00f6rt\" arayan bir kullan\u0131c\u0131ya sadece \"giyim\" kategorisindeki \u00fcr\u00fcnlerin vekt\u00f6rleri aras\u0131nda arama yapmak, \"elektronik\" veya \"mobilya\" gibi alakas\u0131z kategorilerdeki \u00fcr\u00fcnleri ba\u015ftan elemek anlam\u0131na gelir. Bu, hem arama h\u0131z\u0131n\u0131 art\u0131r\u0131r hem de sonu\u00e7lar\u0131n alaka d\u00fczeyini y\u00fckseltir.<\/p>\n Daha k\u00fc\u00e7\u00fck bir veri alt k\u00fcmesi \u00fczerinde KNN aramas\u0131 yapmak, CPU, bellek ve disk G\/\u00c7 gibi sistem kaynaklar\u0131n\u0131n daha az t\u00fcketilmesini sa\u011flar. Bu, sunucu maliyetlerini d\u00fc\u015f\u00fcr\u00fcr ve sistemin genel \u00f6l\u00e7eklenebilirli\u011fini art\u0131r\u0131r. Azalan kaynak t\u00fcketimi, ayn\u0131 donan\u0131m \u00fczerinde daha fazla sorguya hizmet verebilmek veya daha karma\u015f\u0131k modellerle \u00e7al\u0131\u015fabilmek anlam\u0131na gelir.<\/p>\n \u00d6n filtreleme, iki ana a\u015famadan olu\u015fan bir s\u00fcre\u00e7tir: ilk olarak geleneksel filtreleme, ard\u0131ndan bu filtrelenmi\u015f veri \u00fczerinde vekt\u00f6r aramas\u0131.<\/p>\n Bu a\u015fama, Manticore Search'in g\u00fc\u00e7l\u00fc SQL benzeri sorgu yeteneklerini kullanarak, vekt\u00f6r aramas\u0131 yap\u0131lmadan \u00f6nce veri k\u00fcmesini belirli kriterlere g\u00f6re daraltmay\u0131 i\u00e7erir. Geleneksel arama motorlar\u0131nda kullan\u0131lan Filtreleme a\u015famas\u0131ndan sonra elde edilen daha k\u00fc\u00e7\u00fck veri alt k\u00fcmesi \u00fczerinde, Etkili bir \u00f6n filtreleme stratejisi geli\u015ftirmek, uygulaman\u0131n gereksinimlerine ve veri yap\u0131s\u0131na ba\u011fl\u0131d\u0131r. Yayg\u0131n stratejiler \u015funlar\u0131 i\u00e7erir:<\/p>\n Do\u011fru filtreleme stratejisi, hem performans\u0131 hem de arama sonu\u00e7lar\u0131n\u0131n alaka d\u00fczeyini optimize etmek i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n Manticore Search, SQL benzeri sorgu dili sayesinde \u00f6n filtrelemeyi son derece kolayla\u015ft\u0131r\u0131r. \u0130\u015fte nas\u0131l uygulanaca\u011f\u0131 ve baz\u0131 pratik ipu\u00e7lar\u0131.<\/p>\n Manticore Search'te \u00f6n filtreleme, <\/code><\/p>\n Bu \u00f6rnekte:<\/p>\n Bu yap\u0131, hem performans\u0131 hem de arama sonu\u00e7lar\u0131n\u0131n alaka d\u00fczeyini art\u0131rmak i\u00e7in olduk\u00e7a etkilidir.<\/p>\n \u00d6n filtreleme, \u00e7e\u015fitli ger\u00e7ek d\u00fcnya uygulamalar\u0131nda kritik rol oynar:<\/p>\n Manticore Search'te \u00f6n filtrelemeyi daha da optimize etmek i\u00e7in baz\u0131 yap\u0131land\u0131rma ipu\u00e7lar\u0131:<\/p>\n Manticore Search'te KNN \u00f6n filtrelemenin tam potansiyelini kullanmak i\u00e7in baz\u0131 en iyi uygulamalar\u0131 ve optimizasyon stratejilerini g\u00f6z \u00f6n\u00fcnde bulundurmak \u00f6nemlidir.<\/p>\n \u00d6n filtreleme i\u00e7in se\u00e7ilen alanlar, performans\u0131 ve sonu\u00e7lar\u0131n alaka d\u00fczeyini do\u011frudan etkiler. \u0130deal olarak, filtreleme alanlar\u0131:<\/p>\n Manticore Search'in indeksleme yetenekleri, \u00f6n filtrelemenin performans\u0131n\u0131 do\u011frudan etkiler. \u00d6zellikle <\/code><\/p>\n Bu tan\u0131mda, B\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken, Manticore Search'in da\u011f\u0131t\u0131k mimarisi ve sharding yetenekleri \u00f6n filtreleme ile birle\u015fti\u011finde maksimum verimlilik sa\u011flar. \u00d6n filtreleme, her bir shard'da (par\u00e7a) yaln\u0131zca ilgili veri alt k\u00fcmeleri \u00fczerinde KNN aramas\u0131n\u0131n yap\u0131lmas\u0131n\u0131 sa\u011flayarak, da\u011f\u0131t\u0131k sistemlerdeki a\u011f trafi\u011fini ve genel hesaplama y\u00fck\u00fcn\u00fc azalt\u0131r. Replikasyon ise y\u00fcksek eri\u015filebilirlik ve sorgu y\u00fck dengelemesi sunar. Bu kombinasyon, milyarlarca vekt\u00f6r i\u00e7eren sistemlerde bile d\u00fc\u015f\u00fck gecikmeli ve y\u00fcksek performansl\u0131 KNN aramalar\u0131 yapmay\u0131 m\u00fcmk\u00fcn k\u0131lar.<\/p>\n Manticore Search'te KNN \u00f6n filtreleme, vekt\u00f6r aramalar\u0131n\u0131n performans\u0131n\u0131 ve verimlili\u011fini art\u0131rmak i\u00e7in vazge\u00e7ilmez bir stratejidir. Geleneksel SQL filtreleme yeteneklerini vekt\u00f6r arama yetenekleriyle birle\u015ftirerek, geli\u015ftiricilere b\u00fcy\u00fck veri k\u00fcmelerinde bile h\u0131zl\u0131, alakal\u0131 ve kaynak dostu \u00e7\u00f6z\u00fcmler olu\u015fturma g\u00fcc\u00fc verir. \u00d6n filtreleme, arama kapsam\u0131n\u0131 ak\u0131ll\u0131ca daraltarak gereksiz hesaplama y\u00fck\u00fcn\u00fc ortadan kald\u0131r\u0131r ve b\u00f6ylece sistemin genel \u00f6l\u00e7eklenebilirli\u011fini ve tepki s\u00fcresini \u00f6nemli \u00f6l\u00e7\u00fcde iyile\u015ftirir. Do\u011fru filtreleme stratejileri ve Manticore'un g\u00fc\u00e7l\u00fc indeksleme \u00f6zelliklerinin birle\u015fimiyle, anlamsal arama ve \u00f6neri sistemleri \u00e7ok daha etkin bir \u015fekilde hayata ge\u00e7irilebilir.<\/p>\n Hay\u0131r, k\u00fc\u00e7\u00fck veri k\u00fcmeleri (\u00f6rne\u011fin birka\u00e7 bin veya on bin vekt\u00f6r) i\u00e7in brute-force KNN aramas\u0131 genellikle kabul edilebilir bir performans sunar. Ancak, milyonlarca veya milyarlarca vekt\u00f6r i\u00e7eren orta ve b\u00fcy\u00fck \u00f6l\u00e7ekli veri k\u00fcmelerinde, \u00f6n filtreleme performans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rd\u0131\u011f\u0131 ve kaynak t\u00fcketimini azaltt\u0131\u011f\u0131 i\u00e7in \u015fiddetle tavsiye edilir.<\/p>\n Do\u011fru bir \u015fekilde uyguland\u0131\u011f\u0131nda, \u00f6n filtreleme arama sonu\u00e7lar\u0131n\u0131n do\u011frulu\u011funu etkilemez. Aksine, arama kapsam\u0131n\u0131 daha alakal\u0131 bir alt k\u00fcmeye daraltarak sonu\u00e7lar\u0131n alaka d\u00fczeyini art\u0131rabilir. Ancak, yanl\u0131\u015f veya \u00e7ok k\u0131s\u0131tlay\u0131c\u0131 filtreler kullan\u0131ld\u0131\u011f\u0131nda, potansiyel olarak ilgili sonu\u00e7lar\u0131n arama kapsam\u0131ndan \u00e7\u0131kar\u0131lmas\u0131na ve dolay\u0131s\u0131yla sonu\u00e7lar\u0131n eksik olmas\u0131na neden olabilir. Bu nedenle, filtre kriterlerinin dikkatlice se\u00e7ilmesi \u00f6nemlidir.<\/p>\n Manticore Search, \u00d6n filtreleme i\u00e7in en uygun alan tipleri, say\u0131sal ( \u00d6n filtreleme, kesin KNN (Exact Nearest Neighbor) aramas\u0131 i\u00e7in ar<\/p>\n","protected":false},"excerpt":{"rendered":"Manticore Search, y\u00fcksek performansl\u0131 ve \u00f6l\u00e7eklenebilir bir arama motoru olarak, metin tabanl\u0131 aramalar\u0131n yan\u0131 s\u0131ra modern uygulamalar\u0131n vazge\u00e7ilmezi haline gelen vekt\u00f6r aramalar\u0131n\u0131 da desteklemektedir.","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-41319","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nVECTOR<\/code> alan tipi sayesinde y\u00fcksek boyutlu vekt\u00f6r verilerini depolayabilir ve bu veriler \u00fczerinde h\u0131zl\u0131 KNN aramalar\u0131 ger\u00e7ekle\u015ftirebilir. Manticore, vekt\u00f6rleri optimize edilmi\u015f bir \u015fekilde indeksleyerek, milyonlarca hatta milyarlarca vekt\u00f6r aras\u0131nda bile d\u00fc\u015f\u00fck gecikmeli aramalar yap\u0131lmas\u0131na olanak tan\u0131r. Bu, \u00f6zellikle b\u00fcy\u00fck \u00f6l\u00e7ekli \u00f6neri sistemleri, anlamsal arama motorlar\u0131 ve g\u00f6rsel arama uygulamalar\u0131 i\u00e7in kritik bir \u00f6zelliktir.<\/p>\nVECTOR<\/code> Alan Tipi<\/h3>\nVECTOR<\/code> kullan\u0131l\u0131r. Bu alan tipi, vekt\u00f6r\u00fcn boyutunu ve her bir bile\u015fenin veri tipini (\u00f6rne\u011fin FLOAT32<\/code>) belirtmenizi sa\u011flar. \u0130ndeksleme s\u0131ras\u0131nda, Manticore bu vekt\u00f6rleri verimli bir \u015fekilde saklar ve arama performans\u0131n\u0131 art\u0131rmak i\u00e7in \u00f6zel indeks yap\u0131lar\u0131 kullanabilir.<\/p>\n\nCREATE TABLE my_index (\n id INT,\n text_field TEXT,\n vector_field VECTOR(128, FLOAT32)\n);\n<\/pre>\nFLOAT32<\/code> tipinde vekt\u00f6rleri saklayabilen bir vector_field<\/code> olu\u015fturur.<\/p>\nKNN<\/code> Fonksiyonu<\/h3>\nKNN<\/code> fonksiyonunu sunar. Bu fonksiyon, bir sorgu vekt\u00f6r\u00fcne en yak\u0131n K adet vekt\u00f6r\u00fc bulmak i\u00e7in kullan\u0131l\u0131r. SQL benzeri sorgu diliyle entegre olmas\u0131, geli\u015ftiricilerin kolayca vekt\u00f6r aramalar\u0131 yapmas\u0131n\u0131 sa\u011flar.<\/p>\n\nSELECT id, KNN(vector_field, [0.1, 0.2, ..., 0.128], 10) AS distance\nFROM my_index\nORDER BY distance ASC\nLIMIT 10;\n<\/pre>\nmy_index<\/code> tablosundaki vector_field<\/code> alan\u0131nda, verilen sorgu vekt\u00f6r\u00fcne en yak\u0131n 10 vekt\u00f6r\u00fc bulur ve uzakl\u0131klar\u0131na g\u00f6re s\u0131ralar. [0.1, 0.2, ..., 0.128]<\/code> k\u0131sm\u0131, kullan\u0131c\u0131n\u0131n arad\u0131\u011f\u0131 hedef vekt\u00f6r\u00fc temsil eder.<\/p>\n\u00d6n Filtrelemenin \u00d6nemi ve Amac\u0131<\/h2>\n
B\u00fcy\u00fck Veri K\u00fcmelerinde Verimlilik<\/h3>\n
Arama Kapsam\u0131n\u0131 Daraltma<\/h3>\n
Kaynak T\u00fcketimini Azaltma<\/h3>\n
KNN \u00d6n Filtreleme Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h2>\n
Filtreleme A\u015famas\u0131<\/h3>\n
WHERE<\/code> ko\u015fullar\u0131 bu a\u015famada devreye girer. \u00d6rne\u011fin, kategori ID'si, tarih aral\u0131\u011f\u0131, fiyat aral\u0131\u011f\u0131, kullan\u0131c\u0131 ID'si veya metin alanlar\u0131ndaki anahtar kelimeler gibi yap\u0131land\u0131r\u0131lm\u0131\u015f meta veriler kullan\u0131larak ilk eleme yap\u0131l\u0131r. Bu filtreler, verimli indeksler (\u00f6rne\u011fin, B-tree veya hash indeksleri) \u00fczerinde \u00e7al\u0131\u015ft\u0131\u011f\u0131 i\u00e7in \u00e7ok h\u0131zl\u0131d\u0131r.<\/p>\nKNN Arama A\u015famas\u0131<\/h3>\n
KNN<\/code> fonksiyonu kullan\u0131larak vekt\u00f6r benzerlik hesaplamalar\u0131 yap\u0131l\u0131r. Bu, yaln\u0131zca potansiyel olarak alakal\u0131 olan vekt\u00f6rler aras\u0131nda yo\u011fun hesaplama gerektiren i\u015flemin yap\u0131lmas\u0131n\u0131 sa\u011flar. Bu iki a\u015famal\u0131 yakla\u015f\u0131m, brute-force KNN'nin maliyetini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r.<\/p>\n\u00d6n Filtreleme Stratejileri<\/h3>\n
\n
Manticore Search'te \u00d6n Filtreleme Uygulamalar\u0131 ve Yap\u0131land\u0131rma<\/h2>\n
SQL ile \u00d6n Filtreleme<\/h3>\n
SELECT<\/code> sorgular\u0131nda WHERE<\/code> ko\u015fullar\u0131 kullan\u0131larak do\u011frudan uygulan\u0131r. WHERE<\/code> ko\u015fulu, KNN<\/code> fonksiyonundan \u00f6nce de\u011ferlendirilir ve b\u00f6ylece vekt\u00f6r aramas\u0131 sadece filtrelenmi\u015f dok\u00fcmanlar \u00fczerinde \u00e7al\u0131\u015f\u0131r.<\/p>\n\nSELECT\n id,\n title,\n KNN(embedding_vector, [0.1, 0.2, 0.3, ..., 0.N], 10) AS distance\nFROM\n products_index\nWHERE\n category_id = 5\n AND price BETWEEN 10.00 AND 50.00\n AND is_available = TRUE\nORDER BY\n distance ASC\nLIMIT 10;\n<\/pre>\n\n
products_index<\/code> tablosunda arama yap\u0131l\u0131yor.<\/li>\ncategory_id = 5<\/code>, price BETWEEN 10.00 AND 50.00<\/code> ve is_available = TRUE<\/code> ko\u015fullar\u0131, vekt\u00f6r aramas\u0131 yap\u0131lmadan \u00f6nce uygulan\u0131r. Bu, arama kapsam\u0131n\u0131 yaln\u0131zca 5 numaral\u0131 kategorideki, fiyat\u0131 10-50 aras\u0131nda olan ve stokta bulunan \u00fcr\u00fcnlerle s\u0131n\u0131rlar.<\/li>\nKNN(...)<\/code> fonksiyonu, bu filtrelenmi\u015f \u00fcr\u00fcnler aras\u0131ndan hedef vekt\u00f6re en yak\u0131n 10 \u00fcr\u00fcn\u00fc bulur.<\/li>\ndistance<\/code>'a g\u00f6re artan s\u0131rada (en yak\u0131nlar \u00f6nce) s\u0131ralan\u0131r ve ilk 10 tanesi d\u00f6nd\u00fcr\u00fcl\u00fcr.<\/li>\n<\/ul>\nGer\u00e7ek D\u00fcnya Senaryolar\u0131<\/h3>\n
\n
Yap\u0131land\u0131rma \u0130pu\u00e7lar\u0131<\/h3>\n
\n
category_id<\/code>, price<\/code>, is_available<\/code> gibi) uygun Manticore alan tipleriyle tan\u0131mlay\u0131n (\u00f6rn. INT<\/code>, FLOAT<\/code>, BOOL<\/code>). Bu, Manticore'un bu alanlar \u00fczerinde h\u0131zl\u0131 indeksler olu\u015fturmas\u0131n\u0131 sa\u011flar.<\/li>\nattributes<\/code> Kullan\u0131m\u0131:<\/strong> Filtreleme i\u00e7in kullan\u0131lacak alanlar\u0131 indeks tan\u0131m\u0131nda attributes<\/code> olarak belirtmek, Manticore'un bu alanlara h\u0131zl\u0131 eri\u015fimini sa\u011flar. \u00d6rne\u011fin: category_id INT ATTRIBUTE<\/code>.<\/li>\nPerformans Optimizasyonu ve En \u0130yi Uygulamalar<\/h2>\n
Do\u011fru Filtre Alanlar\u0131n\u0131 Se\u00e7me<\/h3>\n
\n
\u0130ndeksleme Stratejileri<\/h3>\n
attributes<\/code> olarak tan\u0131mlanan alanlar, Manticore'un dahili olarak h\u0131zl\u0131 eri\u015fim yap\u0131lar\u0131 olu\u015fturmas\u0131n\u0131 sa\u011flar. \u00d6rne\u011fin:<\/p>\n\nCREATE TABLE my_products (\n id INT,\n name TEXT,\n category_id INT ATTRIBUTE,\n price FLOAT ATTRIBUTE,\n created_at TIMESTAMP ATTRIBUTE,\n embedding_vector VECTOR(768, FLOAT32)\n);\n<\/pre>\ncategory_id<\/code>, price<\/code> ve created_at<\/code> alanlar\u0131, Manticore'un bu alanlar \u00fczerinde h\u0131zl\u0131 filtreleme yapabilmesi i\u00e7in optimize edilmi\u015ftir. Vekt\u00f6r alan\u0131 ise yo\u011fun vekt\u00f6r aramalar\u0131 i\u00e7in \u00f6zel olarak i\u015flenir. Bu ayr\u0131m, hem geleneksel filtreleme hem de vekt\u00f6r aramas\u0131 i\u00e7in en iyi performans\u0131 sa\u011flar.<\/p>\n\u00d6l\u00e7eklenebilirlik ve Da\u011f\u0131t\u0131k Yap\u0131lar<\/h3>\n
Sonu\u00e7<\/h2>\n
S\u0131k Sorulan Sorular (SSS)<\/h2>\n
\u00d6n filtreleme t\u00fcm KNN aramalar\u0131 i\u00e7in gerekli midir?<\/h3>\n
\u00d6n filtreleme do\u011frulu\u011fu etkiler mi?<\/h3>\n
Manticore Search hangi benzerlik \u00f6l\u00e7\u00fctlerini destekler?<\/h3>\n
KNN<\/code> fonksiyonu ile birlikte Kosin\u00fcs Benzerli\u011fi (varsay\u0131lan), \u00d6klid Mesafesi (L2) ve Manhattan Mesafesi (L1) gibi yayg\u0131n benzerlik \u00f6l\u00e7\u00fctlerini destekler. Kullan\u0131c\u0131lar, ihtiya\u00e7lar\u0131na g\u00f6re uygun metri\u011fi se\u00e7ebilirler.<\/p>\n\u00d6n filtreleme i\u00e7in hangi alan tipleri en uygundur?<\/h3>\n
INT<\/code>, FLOAT<\/code>), tarih\/zaman (TIMESTAMP<\/code>), boolean (BOOL<\/code>) ve kategorik metin (genellikle INT<\/code> veya STRING<\/code> olarak indekslenmi\u015f) alanlar\u0131d\u0131r. Bu alanlar \u00fczerinde Manticore h\u0131zl\u0131 indeksler olu\u015fturabilir ve WHERE<\/code> ko\u015fullar\u0131yla verimli bir \u015fekilde filtreleme yapabilir.<\/p>\n\u00d6n filtreleme ve ANN (Approximate Nearest Neighbor) aras\u0131ndaki fark nedir?<\/h3>\n