0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@kenwatan

Oracle Database 26ai) Unified Hybrid Vector Search を試してみた (2026/05/04)

0
Last updated at Posted at 2026-05-04

はじめに

Oracle Database 26ai では、Unified Hybrid Vector Search という新しいアプローチが導入されました。この機能は、ベクトルによるセマンティック検索と、リレーショナル・フィルタリング（WHERE 句による絞り込み）を、標準 SQL の中で統合的に実行できる仕組みです。

ベクトルインデックスには以下の 2 種類があります。用途に応じて使い分けてください。

インデックス種別 概要 推奨用途
HNSW（Hierarchical Navigable Small World） インメモリのグラフ型インデックス。最も高速な類似検索を実現します 高速応答が必要な場合、データセットがメモリに収まる場合
IVF（Inverted File Index） 大規模データセット向けのディスクベースインデックス データ量が多くインメモリが困難な場合

Oracle エラーナレッジベースのサンプルテーブルを作成し、以下の 3 つのパターンを順番に試してみました。

  • ベクトル検索（リレーショナルフィルタなし）
  • リレーショナルフィルタを組み合わせたハイブリッド検索（SQL WHERE 句）
  • DBMS_HYBRID_VECTOR パッケージを使用したフル機能のハイブリッドインデックス検索

image.png

事前準備

  • Oracle Database 26ai がインストール済みであること
  • ONNX 形式の埋め込みモデルがロード済みであること（本記事では all_MiniLM_L12_v2 を使用します）
  • VECTOR データ型が利用可能であること
  • DBMS_HYBRID_VECTOR パッケージが利用可能であること
  • DBMS_VECTOR パッケージへのアクセス権限があること

この記事には書いていない作業

本記事では以下の事前設定については手順を省略しています。必要に応じて公式ドキュメントを参照してください。

作業 参考ドキュメント
Oracle Database 26ai のインストール / アップグレード Oracle Database Documentation
ONNX 埋め込みモデル（all_MiniLM_L12_v2）のロード Oracle AI Vector Search ユーザーズガイド（DBMS_VECTOR.LOAD_ONNX_MODEL 手順）

手順

Step 1: テーブルの作成

Oracle エラーナレッジベース用のテーブルを作成します。embedding 列が VECTOR 型で、エンベディングを格納します。

DROP TABLE dba_error_kb PURGE;

CREATE TABLE dba_error_kb (
    id           NUMBER GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
    error_code   VARCHAR2(20),
    error_desc   VARCHAR2(4000),
    category     VARCHAR2(50),
    severity     NUMBER(1),
    embedding    VECTOR
);

Step 2: サンプルデータの登録

代表的な Oracle エラーコードとその説明をテーブルに登録します。embedding 列はこの時点ではまだ空のままです。

INSERT INTO dba_error_kb (error_code, error_desc, category, severity)
VALUES ('ORA-12541', 
        'TNS no listener. The listener process is not running on the remote host.', 
        'CONNECTIVITY', 3);

INSERT INTO dba_error_kb (error_code, error_desc, category, severity)
VALUES ('ORA-04031', 
        'Unable to allocate memory in the shared pool. Consider increasing SGA_TARGET or flushing the shared pool.',
        'MEMORY', 4);

INSERT INTO dba_error_kb (error_code, error_desc, category, severity)
VALUES ('ORA-00060', 
        'Deadlock detected while waiting for resource. A deadlock cycle was found between sessions.',
        'LOCKING', 3);

INSERT INTO dba_error_kb (error_code, error_desc, category, severity)
VALUES ('ORA-12154',
        'TNS could not resolve the connect identifier. Check tnsnames.ora or LDAP configuration.',
        'CONNECTIVITY', 2);

INSERT INTO dba_error_kb (error_code, error_desc, category, severity)
VALUES ('ORA-01555',
        'Snapshot too old. Rollback segment too small or long-running query encountering wrap-around.',
        'IO', 3);

INSERT INTO dba_error_kb (error_code, error_desc, category, severity)
VALUES ('ORA-00257',
        'Archiver error. Connect internal only until freed. Archive log destination full.',
        'IO', 4);

COMMIT;

Step 3: EMBEDDINGの生成

VECTOR_EMBEDDING 関数を使用して、error_desc 列のテキストをベクトルに変換し、embedding 列を更新します。all_minilm_l12_v2 は Oracle が同梱する 384 次元の ONNX モデルです。

UPDATE dba_error_kb
SET embedding = vector_embedding(
    all_minilm_l12_v2 
    USING error_desc AS data
);

COMMIT;

注意: all_minilm_l12_v2 モデルが事前にロードされていない場合、このステップはエラーになります。DBMS_VECTOR.LOAD_ONNX_MODEL でモデルをロードしてから再実行してください。

Step 4: EMBEDDINの確認

VECTOR_DIMS および VECTOR_NORM 関数でエンベディングが正しく生成されたことを確認します。

SELECT id, error_code, 
       VECTOR_DIMS(embedding)   AS dims,
       VECTOR_NORM(embedding)   AS l2_norm
FROM   dba_error_kb
ORDER BY id;

        ID ERROR_CODE                 DIMS    L2_NORM
---------- -------------------- ---------- ----------
         1 ORA-12541                   384   1.0E+000
         2 ORA-04031                   384   1.0E+000
         3 ORA-00060                   384   1.0E+000
         4 ORA-12154                   384   1.0E+000
         5 ORA-01555                   384   1.0E+000
         6 ORA-00257                   384   1.0E+000

Step 5: HNSW ベクトルインデックスの作成

embedding 列に対して HNSW 型のベクトルインデックスを作成します。距離メトリクスには COSINE を使用し、検索精度の目標値を 95% に設定します。

CREATE VECTOR INDEX dba_errors_hnsw_idx
ON dba_error_kb (embedding)
ORGANIZATION INMEMORY NEIGHBOR GRAPH
DISTANCE COSINE
WITH TARGET ACCURACY 95;

Step 6: インデックス作成の確認

v$vector_index ビューでインデックスが正常に作成されたことを確認します。

SELECT index_name, 
       index_organization,
       num_vectors,
       distance_type,
       index_dimensions,
       default_accuracy
FROM   v$vector_index
WHERE  index_name = 'DBA_ERRORS_HNSW_IDX';

INDEX_NAME
--------------------------------------------------------------------------------
INDEX_ORGANIZATION
--------------------------------------------------------------------------------
NUM_VECTORS
-----------
DISTANCE_TYPE
--------------------------------------------------------------------------------
INDEX_DIMENSIONS DEFAULT_ACCURACY
---------------- ----------------
DBA_ERRORS_HNSW_IDX
INMEMORY NEIGHBOR GRAPH
          6
COSINE
             384               95

Step 7: 純粋なベクトル検索の実行

まず、リレーショナルフィルタを使用しない純粋なベクトル検索を試します。「database cannot connect to remote host」というクエリに意味的に近い行を検索します。

SELECT e.error_code,
       e.category,
       e.severity,
       e.error_desc,
       VECTOR_DISTANCE(
           e.embedding,
           vector_embedding(all_minilm_l12_v2 USING 'database cannot connect to remote host' AS data),
           COSINE
       ) AS similarity_distance
FROM   dba_error_kb e
ORDER BY similarity_distance
FETCH FIRST 3 ROWS ONLY;

ERROR_CODE           CATEGORY                                             SEVERITY
-------------------- -------------------------------------------------- ----------
ERROR_DESC
------------------------------------------------------------------------------------------------------------------------
SIMILARITY_DISTANCE
-------------------
ORA-12154            CONNECTIVITY                                                2
TNS could not resolve the connect identifier. Check tnsnames.ora or LDAP configuration.
         6.117E-001

ORA-12541            CONNECTIVITY                                                3
TNS no listener. The listener process is not running on the remote host.
         6.346E-001

ORA-00257            IO                                                          4
Archiver error. Connect internal only until freed. Archive log destination full.
         7.449E-001

実行計画

------------------------------------------------------------------------------------------------------
| Id  | Operation                      | Name                | Rows  | Bytes | Cost (%CPU)| Time     |
------------------------------------------------------------------------------------------------------
|   0 | SELECT STATEMENT               |                     |     3 |  6180 |     2  (50)| 00:00:01 |
|*  1 |  COUNT STOPKEY                 |                     |       |       |            |          |
|   2 |   VIEW                         |                     |     6 | 12360 |     2  (50)| 00:00:01 |
|*  3 |    SORT ORDER BY STOPKEY       |                     |     6 | 36936 |     2  (50)| 00:00:01 |
|   4 |     TABLE ACCESS BY INDEX ROWID| DBA_ERROR_KB        |     6 | 36936 |     1   (0)| 00:00:01 |
|   5 |      VECTOR INDEX HNSW SCAN    | DBA_ERRORS_HNSW_IDX |     6 | 36936 |     1   (0)| 00:00:01 |
------------------------------------------------------------------------------------------------------

Step 8: リレーショナルフィルタを使ったハイブリッド検索

WHERE 句でカテゴリと重要度を絞り込み、偽陽性を排除します。これが Unified Hybrid Vector Search の基本的な使い方です。

SELECT e.error_code,
       e.category,
       e.severity,
       e.error_desc,
       VECTOR_DISTANCE(
           e.embedding,
           vector_embedding(all_minilm_l12_v2 USING 'database cannot connect to remote host' AS data),
           COSINE
       ) AS similarity_distance
FROM   dba_error_kb e
WHERE  e.category  = 'CONNECTIVITY'
AND    e.severity >= 2
ORDER BY similarity_distance
FETCH FIRST 3 ROWS ONLY;

ERROR_CODE           CATEGORY                                             SEVERITY
-------------------- -------------------------------------------------- ----------
ERROR_DESC
------------------------------------------------------------------------------------------------------------------------
SIMILARITY_DISTANCE
-------------------
ORA-12154            CONNECTIVITY                                                2
TNS could not resolve the connect identifier. Check tnsnames.ora or LDAP configuration.
         6.117E-001

ORA-12541            CONNECTIVITY                                                3
TNS no listener. The listener process is not running on the remote host.
         6.346E-001

実行計画

----------------------------------------------------------------------------------------
| Id  | Operation               | Name         | Rows  | Bytes | Cost (%CPU)| Time     |
----------------------------------------------------------------------------------------
|   0 | SELECT STATEMENT        |              |     2 |  4120 |     4  (25)| 00:00:01 |
|*  1 |  COUNT STOPKEY          |              |       |       |            |          |
|   2 |   VIEW                  |              |     2 |  4120 |     4  (25)| 00:00:01 |
|*  3 |    SORT ORDER BY STOPKEY|              |     2 | 12312 |     4  (25)| 00:00:01 |
|*  4 |     TABLE ACCESS FULL   | DBA_ERROR_KB |     2 | 12312 |     3   (0)| 00:00:01 |
----------------------------------------------------------------------------------------

Step 9: ハイブリッドインデックスの作成（テキスト＋ベクトル統合）

DBMS_HYBRID_VECTOR パッケージを使用したフル機能のハイブリッドインデックスを作成します。まず Oracle Text 用のデータストアプリファレンスを作成し、その後ハイブリッド検索インデックスを作成します。

BEGIN
    ctx_ddl.create_preference('KB_DATASTORE', 'DIRECT_DATASTORE');
END;
/

CREATE HYBRID VECTOR INDEX dba_kb_hybrid_idx
ON dba_error_kb(error_desc)
PARAMETERS ('MODEL all_minilm_l12_v2 VECTOR_IDXTYPE HNSW');

Step 10: DBMS_HYBRID_VECTOR.SEARCH によるハイブリッド検索の実行

DBMS_HYBRID_VECTOR.SEARCH パッケージを使い、テキスト検索とベクトル検索を組み合わせたハイブリッド検索を実行します。p_vector_weight パラメータでスコアリングの重み付けを調整できます。

SELECT DBMS_HYBRID_VECTOR.SEARCH(
    json(
      '{
         "hybrid_index_name" : "DBA_KB_HYBRID_IDX",
         "search_text"       : "listener not reachable on remote server",
         "search_scorer"     : "RSF",
         "vector"            : { "score_weight" : 7 },
         "text"              : { "score_weight" : 3 },
         "return"            : { "topN" : 3 }
       }'
    )
)
FROM DUAL;

DBMS_HYBRID_VECTOR.SEARCH は名前付きパラメータではなく、単一の JSON 引数を受け取る関数です。主要なキーの意味は以下のとおりです。

JSON キー 説明
hybrid_index_name 検索対象のハイブリッドインデックス名
search_text ベクトル検索・テキスト検索の両方に使用するクエリ文字列
search_scorer スコアリングアルゴリズム（RSF：相対スコア融合、RRF：逆順位融合）
vector.score_weight RSF におけるベクトルスコアの相対的な重み
text.score_weight RSF におけるテキストスコアの相対的な重み
return.topN 返却する最大件数

上記の例では vector.score_weight : 7・text.score_weight : 3 とすることで、セマンティック 70%・キーワード 30% のブレンドスコアリングになります。純粋なセマンティック検索にしたい場合は "search_fusion" : "VECTOR_ONLY" を指定してください。

[
{"rowid":"AAAg5DAAQAAHK3+AAA","score":61.48,"vector_score":76.26,"text_score":27,"vector_rank":1,"text_rank":1,"chunk_text":"TNS no listener. The listener process is not running on the remote host.","chunk_id":"1"},
{"rowid":"AAAg5DAAQAAHK3+AAD","score":40.5,"vector_score":57.85,"text_score":0,"vector_rank":2,"text_rank":12,"chunk_text":"TNS could not resolve the connect identifier. Check tnsnames.ora or LDAP configuration.","chunk_id":"1"},
{"rowid":"AAAg5DAAQAAHK3+AAC","score":39.62,"vector_score":56.6,"text_score":0,"vector_rank":3,"text_rank":12,"chunk_text":"Deadlock detected while waiting for resource. A deadlock cycle was found between sessions.","chunk_id":"1"}
]

Step 11: クリーンアップ

検証が完了したら、作成したオブジェクトを削除します。

-- ハイブリッド検索インデックスの削除
DROP INDEX dba_kb_hybrid_idx;

-- HNSW ベクトルインデックスの削除
DROP INDEX dba_errors_hnsw_idx;

-- テーブルの削除
DROP TABLE dba_error_kb PURGE;

-- Oracle Text プリファレンスの削除
BEGIN
    ctx_ddl.drop_preference('KB_DATASTORE');
END;
/

おわりに

今回の検証で確認できたポイントを以下にまとめます。

  • Oracle Database 26ai では、VECTOR 型・VECTOR_EMBEDDING 関数・HNSW インデックスを組み合わせたセマンティック検索を、標準 SQL のみで実現できることを確認しました
  • WHERE 句によるリレーショナルフィルタとベクトル検索を同一クエリで組み合わせることで、純粋なベクトル検索に比べて偽陽性を大幅に削減できることを確認しました
  • DBMS_HYBRID_VECTOR.SEARCH の p_vector_weight パラメータにより、キーワード検索とセマンティック検索の重み付けを柔軟に調整できることを確認しました

参考情報

補足：DBMS_HYBRID_VECTOR.SEARCH の結果の読み方

Step 10 で実行したハイブリッド検索の実際の出力例と、各フィールドの意味を解説します。

出力例

[
  {"rowid":"AAAg5DAAQAAHK3+AAA","score":61.48,"vector_score":76.26,"text_score":27,"vector_rank":1,"text_rank":1,"chunk_text":"TNS no listener. The listener process is not running on the remote host.","chunk_id":"1"},
  {"rowid":"AAAg5DAAQAAHK3+AAD","score":40.5,"vector_score":57.85,"text_score":0,"vector_rank":2,"text_rank":12,"chunk_text":"TNS could not resolve the connect identifier. Check tnsnames.ora or LDAP configuration.","chunk_id":"1"},
  {"rowid":"AAAg5DAAQAAHK3+AAC","score":39.62,"vector_score":56.6,"text_score":0,"vector_rank":3,"text_rank":12,"chunk_text":"Deadlock detected while waiting for resource. A deadlock cycle was found between sessions.","chunk_id":"1"}
]

各フィールドの意味

フィールド 意味
rowid マッチした行の Oracle ROWID
score RSF による最終的なブレンドスコア（高いほど関連性が高い）
vector_score ベクトル類似スコア（クエリとテキストの意味的な近さ）
text_score キーワード検索スコア（Oracle Text CONTAINS による一致度）
vector_rank ベクトル検索での順位
text_rank テキスト検索での順位
chunk_text マッチしたテキスト内容
chunk_id チャンクの識別子

各行の読み解き

1位：ORA-12541（TNS no listener）score: 61.48

vector_rank: 1・text_rank: 1 とベクトル検索・キーワード検索の両方で1位を獲得しています。text_score: 27 は「listener」「remote host」などの語がドキュメント内に実際に含まれており、キーワードとしても強くヒットしていることを示します。最も信頼性の高い結果です。

2位：ORA-12154（TNS could not resolve）score: 40.5

text_score: 0 なのでキーワード検索ではヒットしていません。text_rank: 12 はキーワード検索の結果集合に含まれなかった（最低順位扱い）ことを意味します。「TNS 接続できない」という意味がクエリと近いため、ベクトル検索が 2 位に引き上げています。ハイブリッド検索のベクトル成分が機能した例です。

3位：ORA-00060（Deadlock）score: 39.62

一見「接続できない」とは無関係なデッドロックエラーが 3 位に入っています。これは "waiting for resource" という表現が埋め込みモデル内で「応答を待っているが得られない」という意味的ベクトルを持ち、クエリの "not reachable" と近いと判断されたためです。text_score: 0 なのでキーワード的には完全に無関係で、ベクトル検索の偽陽性が表れています。Step 8 のように WHERE category = 'CONNECTIVITY' などリレーショナルフィルタを組み合わせることで排除できます。

RSF スコアの考え方

今回の設定（vector.score_weight: 7・text.score_weight: 3）では、最終スコアはベクトル成分が 70%・テキスト成分が 30% の重み付けで計算されます。

score ∝ (vector_score × 7) + (text_score × 3)  ← 正規化して合成

ORA-12541 が圧倒的に高い score: 61.48 を得たのは両方のスコアが高かったためです。2位と3位はベクトルスコアがほぼ同じ（57.85 vs 56.6）でテキストスコアが両方 0 のため、僅差になっています。

0
0
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
Sign upLogin
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?