Proyecto Final: BD Híbrida Relacional y Vectorial 2026-I

-- Parte relacional
CREATE TABLE categorias (
  id   SERIAL PRIMARY KEY,
  nombre VARCHAR(100) NOT NULL
);

CREATE TABLE articulos (
  id           SERIAL PRIMARY KEY,
  titulo       VARCHAR(200) NOT NULL,
  contenido    TEXT,
  categoria_id INTEGER REFERENCES categorias(id),
  creado_en    TIMESTAMPTZ DEFAULT NOW()
);

-- Parte vectorial (requiere pgvector)
CREATE EXTENSION IF NOT EXISTS vector;

ALTER TABLE articulos
  ADD COLUMN embedding vector(384);

-- Índice IVFFlat para búsqueda aproximada eficiente
CREATE INDEX ON articulos
  USING ivfflat (embedding vector_cosine_ops)
  WITH (lists = 100);

-- Consulta de búsqueda semántica
SELECT titulo,
       contenido,
       1 - (embedding <=> $1::vector) AS similitud
FROM   articulos
WHERE  categoria_id = $2          -- filtro relacional combinado
ORDER  BY embedding <=> $1::vector
LIMIT  10;

# Ejemplo con sentence-transformers (modelo gratuito y local)
from sentence_transformers import SentenceTransformer
import psycopg2

model = SentenceTransformer("all-MiniLM-L6-v2")  # vector de 384 dimensiones

conn = psycopg2.connect("postgresql://user:pass@host/db")
cur  = conn.cursor()

cur.execute("SELECT id, titulo || ' ' || contenido FROM articulos")
rows = cur.fetchall()

for article_id, text in rows:
    embedding = model.encode(text).tolist()
    cur.execute(
        "UPDATE articulos SET embedding = %s WHERE id = %s",
        (embedding, article_id)
    )

conn.commit()
cur.close()
conn.close()