21
14

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

NTTテクノクロスAdvent Calendar 2023

Day 25

pgvectorを使ってPostgreSQLをベクトルデータベースとして使ってみる

Last updated at Posted at 2023-12-24

はじめに

この記事はNTTテクノクロス Advent Calendar 2023 シリーズ1の25日目(最終日)です。

NTTテクノクロスの金澤です。
普段はPostgreSQL関連の開発や検証業務に携わっています。

今回はPostgreSQLの拡張機能pgvectorとOpen AIのAPIを利用してベクトルデータを扱うデモ環境を作成して動かしてみたいと思います。

pgvectorとは何か

pgvectorとは、PostgreSQL上でベクトルデータ型(vector)を保存し、検索する機能を追加する拡張機能になります。
この拡張機能を使用することで、RDBMSであるPostgreSQLにベクトルデータベースの機能を追加することができます。
先日行われたPostgreSQL Conference Japan 2023ではpgvectorの講演が行われていたり、AWS/Azure/GCPなどの各メガクラウドが提供しているDBサービスでもpgvector拡張機能に対応していたりと、近年注目されている拡張機能の一つであります。

構築するデモ環境について

今回は、Dockerコンテナでpgvector拡張機能をもつPostgreSQLデータベースを作成します。
vector型のカラムを持つテーブルに、OpenAI が提供しているAPIでベクトルデータ型に変換(Embedding)した文章を保存し、検索操作を実行していきます。

pgvector拡張機能をもつPostgreSQLとOpen AI APIを組み合わせた環境の構築については、以下のサイトを参考にしました。

また、今回使用する文章のデータセットやデータのセットアップ・操作等は、以下Google Cloud blogの内容を使用いたしました。

上記のGoogle Cloud blogで使用しているデータセットを利用し、約 800 のおもちゃ関連商品のデータを保存するテーブルを作成します。

環境を構築する

上述のサイトを参考に、今回はDockerコンテナで構築したPostgreSQLに、Jupyter Notebooksから接続していきます。

pgvector拡張機能をもつPostgreSQLをDocker コンテナで起動する

pgvector 開発者の方が提供しているDockerイメージを使用して、pgvector拡張機能をもつPostgreSQLを起動します。

$ docker pull ankane/pgvector
$ docker run --name pgvector-demo -e POSTGRES_PASSWORD=pswd -p 5432:5432 -d ankane/pgvector

起動したPostgreSQLのコンテナは、ホストのポート5432にマッピングされているため、以下のようにpsqlを実行することでDBへ接続することができます。

$ psql -p 5432 -h localhost -U postgres

DBへ接続することができたら、`CREATE DATABASEvector_dbを作成し、CREATE EXTENSIONでpgvector拡張機能を有効にします。

postgres=# CREATE DATABASE vector_db;
CREATE DATABASE
vector_db=# CREATE EXTENSION vector;
CREATE EXTENSION

pgvector拡張機能を有効にしたら、2つのテーブルを作成します。
商品名や値段を保存するproductsテーブルと商品の説明文と説明文をベクトルに変換したvenctor型のカラムをもつproduct_embeddingsテーブルです。
Open AI APIでは、ベクトルの次元は1536となるので、vector(1536)と定義します。

CREATE TABLE products(
	product_id VARCHAR(1024) PRIMARY KEY,
	product_name TEXT,
	description TEXT,
	list_price NUMERIC);

CREATE TABLE product_embeddings(
	product_id VARCHAR(1024) NOT NULL REFERENCES products(product_id),
	content TEXT,
	embedding vector(1536));

以上でデータベース側の設定は完了になります。

テーブルにデータを入力する

Jupyter Notebooksで作成したPostgreSQLに接続して、テーブルにデータを入力していきます。

事前に、OpenAI APIのAPI Keyを取得し、.envファイルに保存しておきます。

OPENAI_API_KEY=....

必要なライブラリをインストール、インポートします。

!pip install pandas asyncio asyncpg langchain openai python-dotenv 
import pandas as pd
import asyncio
import asyncpg
from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from dotenv import load_dotenv

load_dotenv()

続いて、Google Cloud blogで使用していたサンプルのデータセットを保存します。

# データセットをダウンロードして Pandas データフレームに保存する。

DATASET_URL='https://github.com/GoogleCloudPlatform/python-docs-samples/raw/main/cloud-sql/postgres/pgvector/data/retail_toy_dataset.csv'

df = pd.read_csv(DATASET_URL)

df = df.loc[:, ['product_id', 'product_name', 'description', 'list_price']]

df.head(5)

データセットには以下のようなデータが含まれています。

product_id product_name description list_price
0 7e8697b5b7cdb5a40daf54caf1435cd5 Koplow Games Set of 2 D12 12-Sided Rock, Paper... Rock, paper, scissors is a great way to resolv... 3.56
1 7de8b315b3cb91f3680eb5b88a20dcee 12"-20" Schwinn Training Wheels Turn any small bicycle into an instrument for ... 28.17
2 fb9535c103d7d717f0414b2b111cfaaa Bicycle Pinochle Jumbo Index Playing Cards - 1... Purchase includes 1 blue deck and 1 red deck. ... 6.49
3 c73ea622b3be6a3ffa3b0b5490e4929e Step2 Woodland Adventure Playhouse & Slide The Step2 Woodland Climber Adventure Playhouse... 499.99
4 dec7bd1f983887650715c6fafaa5b593 Step2 Naturally Playful Welcome Home Playhouse... Children can play and explore in the Step2 Nat... 600.00

データセットの情報をproductsテーブルにcopyします。

conn = await asyncpg.connect(
user='postgres',
password='pswd',
database='vector_db',
host='localhost',
port=5432 
)

tuples = [tuple(str(value) for value in row) for row in df.itertuples(index=False)]

# ローカルの PostgreSQL にデータをコピーする
await conn.copy_records_to_table('products', records=tuples, columns=list(df), timeout=10)

一度、psqlコマンドでPostgreSQLに接続し、productsテーブルのデータ数を確認します。

vector_db=# SELECT count(*) FROM products;

 count 

-------

   850

(1 row)

850件のデータが保存されていることを確認できました。

続いては、description列に含まれる商品説明文を分割して、ベクトルデータに変換します。

from langchain.text_splitter import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(
    separators=[".", "\n"],
    chunk_size=500,
    chunk_overlap=0,
    length_function=len,
)
chunked = []

for index, row in df.iterrows():
    product_id = row['product_id']
    desc = str(row['description'])
    splits = text_splitter.create_documents([desc])
    for s in splits:
        r = {'product_id': product_id, 'content': s.page_content}
        chunked.append(r)

embeddings_service = OpenAIEmbeddings()
batch_size = 5
for i in range(0, len(chunked), batch_size):
    request = [x['content'] for x in chunked[i: i + batch_size]]
    response = embeddings.embed_documents(request)
    for x, e in zip(chunked[i : i + batch_size], response):
        x["embedding"] = e
product_embeddings = pd.DataFrame(chunked)
product_embeddings.head()

product_embeddings.head()で出力した結果は以下となり、embeding列にベクトルデータに変換された値が格納されています。

product_id content embedding
0 7e8697b5b7cdb5a40daf54caf1435cd5 Rock, paper, scissors is a great way to resolv... [-0.00886749972743081, 0.014060657961181389, 0...
1 7e8697b5b7cdb5a40daf54caf1435cd5 . Great for educational games, dice games, boa... [-0.0013363465225081973, 0.02269774532722539, ...
2 7de8b315b3cb91f3680eb5b88a20dcee Turn any small bicycle into an instrument for ... [0.01945479213474804, -0.00412737445352915, 0....
3 7de8b315b3cb91f3680eb5b88a20dcee . Durable Construction: Steel brackets stand u... [0.014991591231696421, 0.00926185557582806, -0...
4 7de8b315b3cb91f3680eb5b88a20dcee . Tools required: Adjustable wrench. www.schwi... [0.02521163542924525, -0.001772273162437382, -...

変換したベクトルデータはproduct_embeddingsにINSERTしていきます。

from pgvector.asyncpg import register_vector
import numpy as np

await register_vector(conn)

for index, row in product_embeddings.iterrows():
    await conn.execute(
        "INSERT INTO product_embeddings (product_id, content, embedding) VALUES ($1, $2, $3)",
        row["product_id"],
        row["content"],
        np.array(row["embedding"]),
    )

実行後、PostgreSQLに接続して、product_embeddingsのデータ数をカウントして、データが追加されていることを確認します。

vector_db=# SELECT count(*) FROM  product_embeddings ;

 count 

-------

  2671

(1 row)

以上で、テキストデータをベクトルに変換して、PostgreSQL上にあるテーブルへの保存が完了し環境構築が終了しました。

データを検索してみる

続いては、データベースにクエリを投げて、動作を確認してみます。
pgvectorでは、L2距離(<->),内積(<#>),コサイン距離(<=>)によるベクトル距離比較がサポートされています。
それぞれの距離比較の特徴については、前述したPostgreSQL Conference Japan 2023 発表資料で大変わかりやすくまとめらています。
関心のある方は、当該資料をご確認ください。

今回は、Google Cloud blog内でも使用していたコサイン距離(<=>)によるベクトル距離比較を実行してみます。
<=>でベクトル間のコサイン距離を比較することで、ベクトルの向きの類似度を算出できます。
コサイン類似度はドュメント検索でよく利用されます。

検索する条件として、"Do you have a beach toy set that teaches numbers and letters to kids?"というワードをベクトルに変換し、コサイン類似度を比較します。

user_query = "Do you have a beach toy set that teaches numbers and letters to kids?"  

vector = embeddings.embed_query(user_query)
print (vector)

print (vector)の結果を確認すると、以下のようなベクトルデータに変換されています。

[-0.008257456479335568, -0.01240224910278451, 0.008906485896301887, -0.022902392836960633, -0.029688286941888034, 0.04032980079236429, -0.011476899991323739, -0.0008803669276621656, -0.00988966921081363, 0.0012844038981710644, 0.0059183791965176005, 0.0216300366445488, ...]

コサイン類似度を使ったベクトル検索

以下のようなSQLクエリを作成して、検索を実行します。

--$1 ベクトルデータ
--$2 検索時の閾値条件
--$3 取得するデータ数

WITH vector_matches AS (
	  SELECT 
	    product_id, 
	    MAX(1 - (embedding <=> $1)) AS similarity
	  FROM product_embeddings
	  WHERE 1 - (embedding <=> $1) > $2
	  GROUP BY product_id
	  ORDER BY similarity DESC
	  LIMIT $3
	)
	SELECT 
	  products.product_id, 
	  products.product_name, 
	  products.list_price, 
	  products.description,
	  vector_matches.similarity
	FROM 
	  products 
	JOIN 
	  vector_matches ON products.product_id = vector_matches.product_id
	ORDER BY 
	  vector_matches.similarity DESC;

質問文のベクトルデータはvector変数内にあるため、Jupyter Notebook側からSQLを実行します。

matches = []
similarity_threshold = 0.1
num_matches = 50
results = await conn.fetch(
    """
	WITH vector_matches AS (
	  SELECT 
	    product_id, 
	    MAX(1 - (embedding <=> $1)) AS similarity
	  FROM product_embeddings
	  WHERE 1 - (embedding <=> $1) > $2
	  GROUP BY product_id
	  ORDER BY similarity DESC
	  LIMIT $3
	)
	SELECT 
	  products.product_id, 
	  products.product_name, 
	  products.list_price, 
	  products.description,
	  vector_matches.similarity
	FROM 
	  products 
	JOIN 
	  vector_matches ON products.product_id = vector_matches.product_id
	ORDER BY 
	  vector_matches.similarity DESC;
    """,
    vector,
    similarity_threshold,
    num_matches,
)

if len(results) == 0:
    raise Exception("Did not find any results. Adjust the query parameters.")

for r in results:
    matches.append(
        {
            "product_id": r["product_id"],
            "product_name": r["product_name"],
            "description": r["description"],
            "list_price": round(r["list_price"],2),
            "similarity": r["similarity"]
        }
    )

matches = pd.DataFrame(matches)
matches.head(5)

上位5つには以下のような結果を得ることができました。
(similarityの値が1に近ければ近いほど似ていると判断する)

product_id product_name description list_price similarity
0 20e597d8836d9e5fa29f2bd877fc3e0a CoolSand Learning Sand Molds and Tools Kit (44 Pcs) - Wo... Start Your Kids Creativity Now! Treat your little ones ... 31.00 0.874993
1 a57aced63b89c8b5f0a53280c10e47d1 Beach Toys Mega Pack - Bulk Beach & Sandbox Play Set w/ ... Keep them busy at the beach?while molding their minds! A... 10.99 0.872064
2 5a91b29911ab59c8de7668df262e7231 Bisontec Beach Toy Playset With Wheelbarrow (Colors May ... Toy Playset Beach Toy Great Gift for Ages 3 and up. This... 14.48 0.860930
3 e87c6524f0b88aab70f11d0234f74cdf Kids Beach Sand Toys Set for Gift with Sand Molds,Mesh B... Educational: Because sand is an excellent tool for enha... 22.99 0.860120
4 445108acb8d2304938de7835b4f8b1fd Beach Toys Bucket And Shovel Set - 8 Piece In Zipper Bag... Are you looking for a perfect baby toy play set for beac... 19.99 0.859285

WHERE句でフィルタリングした検索

上記で実行したクエリについて、WHERE句で条件を指定してすることも可能です。
今回は、productsテーブルにある料金データlist_priceで20ドル以上100ドル以下という条件で検索してみます。

--$4が最低金額(20ドル)/$5が最高金額(100ドル)
WITH vector_matches AS (
  SELECT 
	product_id, 
	MAX(1 - (embedding <=> $1)) AS similarity
  FROM product_embeddings
  WHERE 1 - (embedding <=> $1) > $2
  GROUP BY product_id
  ORDER BY similarity DESC
  LIMIT $3
)
SELECT 
  products.product_id, 
  products.product_name, 
  products.list_price, 
  products.description,
  vector_matches.similarity
FROM 
  products 
JOIN 
  vector_matches ON products.product_id = vector_matches.product_id
WHERE list_price >= $4 AND list_price <= $5 
ORDER BY 
  vector_matches.similarity DESC;

results内のクエリを変更して実施。

matches = []
results = await conn.fetch(
    """
WITH vector_matches AS (
  SELECT 
    product_id, 
    MAX(1 - (embedding <=> $1)) AS similarity
  FROM product_embeddings
  WHERE 1 - (embedding <=> $1) > $2
  GROUP BY product_id
  ORDER BY similarity DESC
  LIMIT $3
)
SELECT 
  products.product_id, 
  products.product_name, 
  products.list_price, 
  products.description,
  vector_matches.similarity
FROM 
  products 
JOIN 
  vector_matches ON products.product_id = vector_matches.product_id
WHERE list_price >= $4 AND list_price <= $5
ORDER BY 
  vector_matches.similarity DESC;

    """,
    vector,
    similarity_threshold,
    num_matches,
    min_price,
    max_price,
)

if len(results) == 0:
    raise Exception("Did not find any results. Adjust the query parameters.")

for r in results:
    matches.append(
        {
            "product_id": r["product_id"],
            "product_name": r["product_name"],
            "description": r["description"],
            "list_price": round(r["list_price"],2),
            "similarity": r["similarity"],
        }
    )

matches = pd.DataFrame(matches)
matches.head(5)

list_price"の金額が、指定した範囲のものになっていることが確認できます。

product_id product_name description list_price similarity
0 20e597d8836d9e5fa29f2bd877fc3e0a CoolSand Learning Sand Molds and Tools Kit (44 Pcs) - Wo... Start Your Kids Creativity Now! Treat your little ones ... 31.00 0.874993
1 e87c6524f0b88aab70f11d0234f74cdf Kids Beach Sand Toys Set for Gift with Sand Molds,Mesh B... Educational: Because sand is an excellent tool for enha... 22.99 0.860120
2 c29104ac1a4e0faeabae7c8a32e9957b American Plastic Toys Sand and Water Play Table American Plastic Toys Sand and Water Play Table will pro... 24.99 0.852799
3 1d15aa5cceefa670f0cc83de517dc4f9 Melissa & Doug Jumbo ABC-123 Rug (58 x 79 inches – 36 Ga... Kids will have jumbo amounts of fun exploring and learni... 54.99 0.851722
4 2eeba67dba7c262da27f05622fc4b705 Soft Neon 18 Piece Playset 10 months & up. An ideal toy for every stage of developm... 59.95 0.831987

全文検索(キーワード検索)と組み合わせて検索

PostgreSQLには、全文検索機能が備わっています。
キーワードを問い合わせて、文書内に該当する文章が存在するかを検索できます。

PostgreSQLに組み込まれている全文検索用の関数のうち、ユーザーが一般的なウェブ検索クエリのスタイルで入力することができるwebsearch_to_tsquery関数を今回は使用します。
キーワード検索する内容として、3 yearsというテキストを含むもの検索します。

PostgreSQLの全文検索クエリ例

-- $1 は'3 years'
 SELECT 
    product_id, 
    product_name, 
    list_price, 
    description,
    ts_rank_cd(to_tsvector('english', description), websearch_to_tsquery('english', $1)) AS rank
FROM 
    products 
WHERE
    to_tsvector('english', description) @@ websearch_to_tsquery('english', '$1')
ORDER BY 

試しに、ベクトル検索は使用せずに、全文検索のみを実行してみます。

mmatches = []
keyword = '3 years'
full_text_results = await conn.fetch(
    """
  SELECT 
    product_id, 
    product_name, 
    list_price, 
    description,
    ts_rank_cd(to_tsvector('english', description), websearch_to_tsquery('english', $1)) AS rank
FROM 
    products 
WHERE
    to_tsvector('english', description) @@ websearch_to_tsquery('english', '$1')
ORDER BY 
    rank DESC
    """,
    keyword
)

# 結果の表示
for r in full_text_results:
    matches.append(
        {
            "product_id": r["product_id"],
            "product_name": r["product_name"],
            "description": r["description"],
            "list_price": round(r["list_price"],2),
            "rank": r["rank"],
        }
    )
print("全文検索による絞り込み:")
print(len(matches))

matches = pd.DataFrame(matches)
matches.head()

print(len(matches))で絞り込んだデータ数を表示しており、313件となっています。

全文検索による絞り込み:
313

絞り込まれたデータを出力してみたところ以下のような結果になりました。

product_id product_name description list_price rank
0 501257f1b3df0af591d939f53692cf77 Ktaxon Tree Swing Disc Rope Swing 6.5ft - with Leg Safet... FUNNY USE. 6.5ft high performance polyethylene rope wit... 25.59 0.415703
1 45de24a6c20856ed2627b66995da7318 OTVIAP Swimming Pool Toy,4pcs Swimming Pool Toys Mine Sh... Description: This swimming toy will bring lots of fun i... 10.68 0.304350
2 7e52aee88a6a6a0764cb68a69b2d1dc0 Mini Lucky Jackpot Slot Machine Fun Gift Fruit Slot Mach... Mini Lucky Jackpot Slot Machine Fun Gift Fruit Slot Mach... 10.55 0.205263
3 8195e328afe639ae85e728b380e38e5b Kids Indoor Inflatable Large Castle Sand Box Sandbox Sli... 60*45cm Kids IndoorInflatable Large Castle Sand Box San... 9.24 0.200885
4 f933a3aab20a8739aa70e9d1f9ba278f 7Pcs Two Colors Polyhedral Dice with Free Pouches for Du... Specifications: Material: Acrylic Side Size: 16mm to 20... 7.23 0.200813

上記の絞り込んだ結果に対して、ベクトル検索をすることで、キーワード検索と組み合わせてみます。

以下のように、全文検索を実施した結果をJOIN句で結合して、ベクトル検索を実施します。

SELECT 
	p.product_id, 
	MAX(p.rank) AS rank,
	MAX(1 - (pe.embedding <=> $1)) AS similarity
FROM 
	product_embeddings pe
JOIN 
(
  SELECT 
	product_id,
	ts_rank_cd(to_tsvector('english', description), websearch_to_tsquery('english', $4)) AS rank
  FROM 
	products 
  WHERE 
	to_tsvector('english', description) @@ websearch_to_tsquery('english', $4)
) AS p ON pe.product_id = p.product_id
WHERE 
	1 - (pe.embedding <=> $1) > $2
GROUP BY 
	p.product_id
ORDER BY 
	similarity DESC
LIMIT $3

実行する内容

matches = []
keyword = '3 years'

results = await conn.fetch(
    """
WITH vector_matches AS (
  SELECT 
    p.product_id, 
    MAX(p.rank) AS rank,
    MAX(1 - (pe.embedding <=> $1)) AS similarity
  FROM 
    product_embeddings pe
  JOIN 
    (
      SELECT 
        product_id,
        ts_rank_cd(to_tsvector('english', description), websearch_to_tsquery('english', $4)) AS rank
      FROM 
        products 
      WHERE 
        to_tsvector('english', description) @@ websearch_to_tsquery('english', $4)
    ) AS p ON pe.product_id = p.product_id
  WHERE 
    1 - (pe.embedding <=> $1) > $2
  GROUP BY 
    p.product_id
  ORDER BY 
    similarity DESC
  LIMIT $3
)
SELECT 
  products.product_id, 
  products.product_name, 
  products.list_price, 
  products.description,
  vector_matches.similarity,
  vector_matches.rank
FROM 
  products
JOIN 
  vector_matches ON products.product_id = vector_matches.product_id
ORDER BY 
  similarity DESC, rank DESC
LIMIT $3;

    """,
    vector,
    similarity_threshold,
    num_matches,
    keyword
)

if len(results) == 0:
    raise Exception("Did not find any results. Adjust the query parameters.")

for r in results:
    matches.append(
        {
            "product_id": r["product_id"],
            "product_name": r["product_name"],
            "description": r["description"],
            "list_price": round(r["list_price"],2),
            "similarity": r["similarity"],
            "rank": r["rank"]
        }
    )

matches = pd.DataFrame(matches)
matches.head()

検索結果を見ると、2以下の値が先ほど取得したベクトル検索結果と異なっていることが確認できます。

product_id product_name description list_price similarity rank
0 20e597d8836d9e5fa29f2bd877fc3e0a CoolSand Learning Sand Molds and Tools Kit (44 Pcs) - Wo... Start Your Kids Creativity Now! Treat your little ones ... 31.00 0.874993 0.100000
1 e39855540f05c9b350c6b04e6d7b1830 6Pcs Sand Kids Beach Toys Castle Bucket Spade Shovel Rak... 6Pcs Sand Kids Beach Toys Castle Bucket Spade Shovel Ra... 10.98 0.846966 0.100000
2 4fb5495d3825cd87fc1475af962a6eb7 11pc Kids Beach Toys Set Molds Tools, Sandbox Toys On Su... 11pc KidsBeach Toys Set Molds Tools, Sandbox Toys On Su... 12.55 0.840797 0.009221
3 2eeba67dba7c262da27f05622fc4b705 Soft Neon 18 Piece Playset 10 months & up. An ideal toy for every stage of developm... 59.95 0.831987 0.200000
4 0e08271603b53b963f81dbdd02f989a9 Spiralin Seas Waterpark The Spiralin Seas Waterpark provides toddlers a splashin... 41.98 0.829780 0.201538

まとめ

pgvectorでPostgreSQLにベクトルデータを入れることで、
ベクトルデータによる検索と既存のデータベースに登録している情報を使用したフィルタリングや、全文検索と組み合わせた検索を行うことができました。
条件の絞り込みやテーブルのJOINなど、RDBMSの機能も合わせて使用できるのがpgvectorならではの特徴だと思います。

今回はデモ環境に取り込んだデータ数が850程度と少なく、とりあえず動かしみるというところを目的としていたため、インデックスの設定などを行っておりません。
pgvectorはベクトル用のインデックスであるIVFFlat,HNSWが用意されており、うまく設定することで検索性能に大きく影響します。

今後は、大規模なデータセットでインデックスを追加等の検証も行っていきたいと考えています。

Advent Calendar2023に最後までお付き合いいただき、ありがとうございました!

参考

pgvector
pgvectorを使ってChatGPTとPostgreSQLを連携してみよう!(PostgreSQL Conference Japan 2023 発表資料)
VECTOR DATABASES - PGVECTOR AND LANGCHAIN
pgvector、LLM、LangChain を使用して Google Cloud データベースで AI 搭載アプリを構築する

21
14
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
21
14

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?