Ricerca testuale e vettoriale in MongoDB: evoluzione, tecniche e funzionalità avanzate

MongoDB è uno dei database NoSQL più diffusi grazie alla sua struttura documentale flessibile e alla capacità di gestire grandi volumi di dati semi-strutturati. In ambito di information retrieval, MongoDB offre oggi una serie di funzionalità avanzate che vanno ben oltre la semplice ricerca per chiave o pattern: dalla ricerca full-text integrata fino alla recente introduzione della vector search, pensata per scenari di intelligenza artificiale e apprendimento automatico.

1. Ricerca testuale con $text

MongoDB supporta la ricerca full-text tramite l’operatore $text, che permette di eseguire query testuali su campi indicizzati come full-text.

db.articoli.find({
  $text: { $search: "intelligenza artificiale" }
})

Caratteristiche principali:

• Supporto per stemming, stopword e pesatura dei termini (relevance score).
• Richiesta di indice specifico creato con text su uno o più campi.
• Possibilità di ordinare per rilevanza con { score: { $meta: "textScore" } }.

Limitazioni:

• Non è case sensitive, ma è limitato a una sola lingua per indice.
• Non supporta ricerche fuzzy o semantiche avanzate.
• Non può essere combinato direttamente con tutti gli operatori di aggregazione.

2. MongoDB Atlas e la ricerca full-text avanzata

MongoDB Atlas, la piattaforma cloud fully managed di MongoDB, espande le funzionalità di ricerca con un’integrazione nativa di **Apache Lucene**, attraverso il modulo Atlas Search.

Funzionalità principali di Atlas Search:

• Analizzatori linguistici personalizzati (per inglese, francese, ecc.).
• Supporto per ricerche fuzzy, autocomplete, wildcard, regex e scoring personalizzato.
• Indexing completamente gestito, configurabile tramite UI o API.
• Operatori dedicati come autocomplete, wildcard, phrase, range.

Atlas Search è integrato nell’aggregation pipeline, consentendo ricerche complesse su documenti JSON senza necessità di strumenti esterni come Elasticsearch.

{
  $search: {
    "text": {
      "query": "machine learning",
      "path": ["titolo", "contenuto"]
    }
  }
}

3. Vector Search in MongoDB

Con l’evoluzione dell’AI generativa e dei modelli linguistici, MongoDB ha introdotto il supporto sperimentale alla ricerca vettoriale (a partire da MongoDB 7.0 e nella versione estesa di Atlas Search).

Principio: i documenti sono arricchiti con vettori numerici (embedding), e le query vengono eseguite sulla base della distanza tra vettori anziché corrispondenze esatte.

{
  $search: {
    knnBeta: {
      vector: [0.21, -0.45, 0.77, ...],
      path: "embedding",
      k: 10
    }
  }
}

Utilizzi tipici:

• FAQ semantiche, chatbot, classificazione di contenuti simili.
• Motori di ricerca intelligenti basati su AI generativa (es. GPT, BERT).
• Raccomandazione di contenuti simili basata su significato, non su parola chiave.

Note:

• Richiede un campo vettoriale specifico nel documento.
• Gli embedding devono essere generati esternamente (es. OpenAI, Hugging Face) e poi salvati nel documento.
• Supporta solo L2 (Euclidea) al momento, ma l’estensione è in corso.

4. Comparazione tra le modalità di ricerca