功能简介

支持向量检索（Vector Search）是搜索引擎的一个高级功能，它允许用户在高维向量空间中进行相似性搜索，而不仅仅是基于传统的关键词匹配。

向量检索的核心在于，它通过将文本、图像或其他数据转换为向量（即一组多维的数值表示），然后基于这些向量之间的距离来查找相似的项目。与传统的基于关键字的检索方法相比，向量检索更适合处理复杂的数据类型，如自然语言处理、推荐系统和计算机视觉等场景。

在搜索引擎中，支持向量检索的功能通过集成高效的向量索引结构（如近似最近邻搜索算法）实现。这使得搜索引擎能够在处理大规模数据集时，依然保持高效的查询速度和准确性。通过向量检索，用户可以在海量数据中快速找到与查询向量最相似的结果，从而提升搜索体验和应用的智能化水平。

使用示例

以下是Elasticsearch支持向量检索示例。

创建索引：

PUT my-knn-index-1  
{  
  "settings": {  
    "index": {  
      "knn": true,  
      "knn.algo_param.ef_search": 100  
    }  
  },  
  "mappings": {  
    "properties": {  
      "category": {  
        "type": "keyword"  
      },  
      "brand": {  
        "type": "keyword"  
      },  
      "style": {  
        "type": "keyword"  
      },  
      "my_vector": {  
        "type": "knn_vector",  
        "dimension": 3  
      }  
    }  
  }  
}

插入数据：

PUT my-knn-index-1/_doc/1  
{  
  "category": "electronics",  
  "brand": "brandA",  
  "style": "modern",  
  "my_vector": [0.5, 0.8, 0.3]  
}  
  
PUT my-knn-index-1/_doc/2  
{  
  "category": "furniture",  
  "brand": "brandB",  
  "style": "vintage",  
  "my_vector": [0.2, 0.4, 0.7]  
}  
  
PUT my-knn-index-1/_doc/3  
{  
  "category": "clothing",  
  "brand": "brandC",  
  "style": "casual",  
  "my_vector": [0.9, 0.1, 0.6]  
}

查询：

POST my-knn-index-1/_search  
{  
  "size": 10,  
  "query": {  
    "knn": {  
      "my_vector": {  
        "vector": [0.5, 0.8, 0.3],  
        "k": 2  
      }  
    }  
  }  
}

返回结果：

{  
  "took": 654,  
  "timed_out": false,  
  "_shards": {  
    "total": 1,  
    "successful": 1,  
    "skipped": 0,  
    "failed": 0  
  },  
  "hits": {  
    "total": {  
      "value": 3,  
      "relation": "eq"  
    },  
    "max_score": 1.0,  
    "hits": [  
      {  
        "_index": "my-knn-index-1",  
        "_type": "_doc",  
        "_id": "1",  
        "_score": 1.0,  
        "_source": {  
          "category": "electronics",  
          "brand": "brandA",  
          "style": "modern",  
          "my_vector": [  
            0.5,  
            0.8,  
            0.3  
          ]  
        }  
      },  
      {  
        "_index": "my-knn-index-1",  
        "_type": "_doc",  
        "_id": "2",  
        "_score": 0.7092199,  
        "_source": {  
          "category": "furniture",  
          "brand": "brandB",  
          "style": "vintage",  
          "my_vector": [  
            0.2,  
            0.4,  
            0.7  
          ]  
        }  
      },  
      {  
        "_index": "my-knn-index-1",  
        "_type": "_doc",  
        "_id": "3",  
        "_score": 0.57471263,  
        "_source": {  
          "category": "clothing",  
          "brand": "brandC",  
          "style": "casual",  
          "my_vector": [  
            0.9,  
            0.1,  
            0.6  
          ]  
        }  
      }  
    ]  
  }  
}