SQL_Example.txt

-- DDL

-- 1. pgvector 확장이 없다면 먼저 생성해야 합니다.
CREATE EXTENSION IF NOT EXISTS vector;

-- 2. 테이블 생성
CREATE TABLE t_test_textembedding (
    id BIGSERIAL PRIMARY KEY,                          -- PK (자동 증가)
    title VARCHAR(500) NOT NULL,                       -- 제목
    title_embedding VECTOR(768),                       -- 제목 임베딩 (768차원)
    content TEXT NOT NULL,                             -- 내용
    content_embedding VECTOR(768),                     -- 내용 임베딩 (768차원)
    created_at TIMESTAMPTZ DEFAULT CURRENT_TIMESTAMP   -- 생성일
);

-- 3. (선택) 벡터 검색 성능을 높이기 위한 인덱스 생성 (HNSW 알고리즘, 코사인 유사도 기준)
CREATE INDEX idx_title_embedding ON t_test_textembedding USING hnsw (title_embedding vector_cosine_ops);
CREATE INDEX idx_content_embedding ON t_test_textembedding USING hnsw (content_embedding vector_cosine_ops);


--------------------------------

-- 1. pgvector 확장이 없다면 먼저 생성해야 합니다.
CREATE EXTENSION IF NOT EXISTS vector;

-- 2. 테이블 생성
CREATE TABLE t_test_imgembedding (
    id BIGSERIAL PRIMARY KEY,                          -- PK (자동 증가)
    title VARCHAR ,                       
    url VARCHAR ,                       
    mimetype VARCHAR ,                       
    img_embedding VECTOR(1280),                     -- 내용 임베딩 (768차원)
    created_at TIMESTAMPTZ DEFAULT CURRENT_TIMESTAMP   -- 생성일
);

-- 3. (선택) 벡터 검색 성능을 높이기 위한 인덱스 생성 (HNSW 알고리즘, 코사인 유사도 기준)
CREATE INDEX idx_test_imgembedding ON t_test_imgembedding USING hnsw (img_embedding vector_cosine_ops);




----------------------------------


// title_embedding_arr, content_embedding_arr는 
// ONNX 모델에서 추출한 768개의 숫자가 담긴 배열(Array)입니다.

let insertData = await db.query(
  `
  INSERT INTO t_test_textembedding (title, title_embedding, content, content_embedding) 
  VALUES ($1, $2, $3, $4)
  RETURNING id, title, created_at;
  `,
  [
    title, 
    JSON.stringify(title_embedding_arr), // DB 드라이버 호환성을 위해 문자열 포맷 '[...]' 으로 변환
    content, 
    JSON.stringify(content_embedding_arr)
  ]
);

console.log('생성된 데이터:', insertData.rows[0]);



-----------------------------------------


// query_embedding_arr는 사용자의 검색어를 ONNX 모델에 돌려 나온 임베딩 배열입니다.

let searchResult = await db.query(
  `
  SELECT 
    id, 
    title, 
    content,
    -- 코사인 거리는 0에 가까울수록 유사하므로, 직관적인 '유사도 점수'를 위해 1에서 뺍니다.
    1 - (content_embedding <=> $1) AS similarity_score 
  FROM t_test_textembedding
  -- 유사도 임계값 설정 (예: 정확도 점수가 0.5 이상인 것만)
  WHERE 1 - (content_embedding <=> $1) > 0.5
  ORDER BY content_embedding <=> $1 ASC
  LIMIT 5;
  `,
  [JSON.stringify(query_embedding_arr)]
);

console.log('유사한 데이터 목록:', searchResult.rows);