ベクトルデータベース
ベクトルデータベース(vector database)とは、埋め込みを元のレコードとともに保存し、クエリのベクトルに最も近い保存済みのベクトルを見つけるデータベースです。数百万の項目にわたって検索を高速に保つため、通常は近似インデックスを使います。
別名: vector store, vector DB
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
通常のデータベースは「status = openの行を探す」に答えます。ベクトルデータベースは「これに最も似た項目を探す」に答え、その類似度は埋め込みの間で測られます。ほとんどの検索拡張生成システム、セマンティック検索、レコメンド機能の背後にあるストレージ層です。
役割
各ベクトルを、IDと、出典、日付、所有者などのメタデータとともに保持します。近似最近傍探索のためのインデックスを、多くの場合HNSWで構築します。挿入、更新、削除も扱い、類似度とメタデータフィルタリングを組み合わせられます。
選択肢
Pinecone、Qdrant、Milvusのように、ベクトル専用に作られた製品があります。ほかに、Postgres向けのpgvectorのように、すでに運用しているかもしれないデータベースにベクトル検索を加えるものもあります。Faissのようなライブラリはデータベースの部分なしでインデックスを提供するため、保存、更新、絞り込みは自分で扱います。ベクトルデータベースのガイドでこれらを比較しています。
ベクトルインデックスとの違い
インデックスは、検索を速くするデータ構造です。データベースは、そのインデックスを永続性、アクセス制御、レプリケーション、APIで包んだものです。数千個のベクトルのプロトタイプなら、インメモリのインデックスや総当たりの走査でも十分なことがよくあります。
限界
結果は近似なので、本当の近傍のごく一部を取りこぼすことがあります。多くの製品はキーワード検索やハイブリッド検索にも対応しており、埋め込みが苦手な語の完全一致に役立ちます。
関連用語
- HNSW
- HNSW(hierarchical navigable small world)は、近似最近傍探索のためのグラフベースのインデックスです。複数の層にわたってベクトルを近傍とつなぐので、検索は最も近い一致に向かって素早く移動できます。
- 埋め込み
- 埋め込み(embedding)とは、テキスト、画像、その他のデータを表す数値の並び(ベクトル)です。意味の似たものほどベクトルが近くなるように作られます。
- 近似最近傍探索
- 近似最近傍探索(approximate nearest neighbor、ANN)とは、保存したすべてのベクトルを調べることなく、クエリに近いベクトルを見つける探索です。厳密に最良の一致を保証しない代わりに、大規模なコレクションではるかに速く検索できます。
- ベクトル検索
- ベクトル検索(vector search)とは、項目の埋め込みをクエリの埋め込みと比較し、最も近いものを返すことで項目を見つける方法です。共通のキーワードではなく意味で一致する結果が得られます。
- メタデータフィルタリング
- メタデータフィルタリングとは、日付、作成者、言語、アクセスグループなど保存された属性が指定条件に一致する項目だけに検索を絞り込むことです。ベクトルの類似度で順位付けするのと同時に、またはその前に行います。
- ハイブリッド検索
- ハイブリッド検索(hybrid search)とは、同じクエリに対してキーワード検索とベクトル検索を実行し、2 つの順位付きリストを統合する検索です。正確な単語での一致と、意味での一致の両方を結果に反映できます。