溫州專業(yè)網(wǎng)站建設(shè)西安seo排名
作者：來自 Elastic?Valentin Crettaz
了解如何在 Elasticsearch 中設(shè)置向量搜索并執(zhí)行 k-NN 搜索。
本文是三篇系列文章中的第二篇，深入探討了向量搜索（也稱為語義搜索）的復(fù)雜性以及它在 Elasticsearch 中的實(shí)現(xiàn)方式。
第一部分重點(diǎn)介紹了嵌入（又稱向量）的基礎(chǔ)知識以及向量搜索的底層工作原理。
憑借第一篇文章中學(xué)到的所有向量搜索知識，第二部分將指導(dǎo)你了解如何在 Elasticsearch 中設(shè)置向量搜索和執(zhí)行 k-NN 搜索。
在第三部分中，我們將利用前兩部分中學(xué)到的知識，并在此基礎(chǔ)上深入研究如何在 Elasticsearch 中制作強(qiáng)大的混合搜索查詢。
首先介紹一些背景
盡管 Elasticsearch 直到 8.0 版（帶有 _knn_search API 端點(diǎn)的技術(shù)預(yù)覽）才支持向量搜索，但自 7.0 版發(fā)布以來，已經(jīng)可以使用 dense_vector 字段類型存儲向量。那時，向量只是作為二進(jìn)制文檔值存儲，但沒有使用我們在第一篇文章中介紹的任何算法進(jìn)行索引。這些密集向量構(gòu)成了 Elasticsearch 中即將推出的向量搜索功能的前提。
如果你有興趣深入了解導(dǎo)致 Elasticsearch 中當(dāng)前實(shí)現(xiàn)向量搜索的討論，你可以參考此問題，其中詳細(xì)介紹了 Elastic 為將此功能推向市場而必須克服的所有障礙。簡而言之，由于 Elasticsearch 已經(jīng)大量使用 Lucene 作為其底層搜索引擎，我們還決定使用與我們的向量引擎相同的技術(shù)，并以非常透明的方式解釋了該決定背后的理由。
歷史問題已經(jīng)解決，現(xiàn)在讓我們開始工作。
如何設(shè)置 k-NN
Elasticsearch 本身就提供向量搜索，無需安裝任何特定程序。我們只需要創(chuàng)建一個索引，該索引定義至少一個類型為 density_vector 的字段，向量數(shù)據(jù)將存儲在該字段中并/或被索引。
下面的映射顯示了一個名為 title_vector 的 3 維 dense_vector 字段。在此字段中存儲和索引的密集向量將使用我們在本系列第一篇文章中介紹的 dot_product 相似度函數(shù)。值得注意的是，在 8.11 之前，hnsw（即 Hierarchical Navigable Small Worlds）是 Apache Lucene 支持的唯一用于索引密集向量的算法。從那時起，其他算法被添加，未來，Elasticsearch 可能會提供用于索引和搜索密集向量的其他方法，但由于它完全依賴于 Apache Lucene，因此這將取決于這方面的進(jìn)展。
"title_vector": {"type": "dense_vector","dims": 3,"index": true,"similarity": "dot_product","index_options": {"type": "hnsw","ef_construction": 128,"m": 24 }
}
下表總結(jié)了 Elasticsearch 提供的 dense_vector 字段類型的所有可用配置參數(shù)：
| 參數(shù) | 必需 | 描述 |
|---|---|---|
| dims | Yes (<8.11) No (8.11+) | 向量維數(shù)，在 8.9.2 之前不能超過 1024，在 8.10.0 之后不能超過 2048，在 8.11.0 之后不能超過 4096。此外，從 8.11 開始，此參數(shù)不再需要，將默認(rèn)為第一個索引向量的維數(shù)。 |
| element_type | No | 向量元素值的數(shù)據(jù)類型，若不指定，則默認(rèn)為 `float`（4 個字節(jié)），也可以使用 `byte`（1 個字節(jié)）和 `bit`。 |
| index | No | 指示是否在專用且優(yōu)化的數(shù)據(jù)結(jié)構(gòu)中索引向量（如果為 “true”）或僅將其存儲為二進(jìn)制文檔值（如果為“false”）。在 8.10 之前，如果未指定，則默認(rèn)值為“false”。從 8.11 開始，如果未指定，則默認(rèn)值為 “true”。 |
| similarity | Yes (<8.11) No (8.11+) | 直到 8.10 版本，如果 `index` 為 `true`，則此參數(shù)是必需的，并定義用于 k-NN 搜索的向量相似度度量?？捎玫亩攘堪?#xff1a;a) `l2_norm`：L2 距離 b) `dot_product`：點(diǎn)積相似度 c) `cosine`：余弦相似度 d) `max_inner_product`：最大內(nèi)積相似度。還請注意，只有當(dāng)你的向量已經(jīng)歸一化（即，它們是幅度為 1 的單位向量）時，才應(yīng)使用 `dot_product`，否則使用 `cosine` 或 `max_inner_product`。從 8.11 版本開始，如果未指定，則如果 element_type 為 `bit`，則此參數(shù)默認(rèn)為 `l2_norm`，否則為 `cosine`。 |
| index_options | No | 以下是 `type` 參數(shù)可能的值（具體取決于版本）：a) 直到 8.11，僅支持 `hnsw`。b) 在 8.12 中，標(biāo)量量化啟用了 `int8_hnsw` c) 在 8.13 中，添加了 `flat` 及其標(biāo)量量化的 `int8_flat` 兄弟 d) 在 8.15 中，添加了 `int4_hnsw` 和 `int4_flat` e) 在 8.18 中，二進(jìn)制量化啟用了 `bbq_hnsw` 和 `bbq_flat`。你可以查看官方文檔以了解它們的詳細(xì)描述（https://www.elastic.co/guide/en/elasticsearch/reference/current/dense-vector.html#dense-vector-params）以及如何配置每個算法。 |
從上表可以看出，自 8.11 版本以來，想量場的定義已大大簡化：
關(guān)于 8.12 中添加的標(biāo)量量化支持，請記住，我們在本系列的第一部分中討論過這種壓縮技術(shù)。我們不會在本文中深入探討，但你可以在另一篇 Elastic Search Labs 文章中了解有關(guān)如何在 Lucene 中實(shí)現(xiàn)這一點(diǎn)的更多信息。同樣，我們不會深入研究 8.18 中添加的更好的二進(jìn)制量化 (BBQ)，我們邀請你在本文中了解有關(guān)該新突破性算法的更多信息。
就這些了！只需定義和配置一個 dense_vector 字段，我們現(xiàn)在就可以索引向量數(shù)據(jù)，以便使用 knn 搜索選項或 knn DSL 查詢（在 8.12 中引入）在 Elasticsearch 中運(yùn)行向量搜索查詢。Elasticsearch 支持兩種不同的向量搜索模式：1) 使用 script_score 查詢進(jìn)行精確搜索和 2) 使用 knn 搜索選項或 knn 查詢（8.12+）進(jìn)行近似最近鄰搜索。接下來我們將描述這兩種模式。
精確搜索
如果你回想一下本系列的第一篇文章，我們回顧了向量搜索概況，那么精確向量搜索可以歸結(jié)為在整個向量空間中執(zhí)行線性搜索或強(qiáng)力搜索（brute-force search）?；旧?#xff0c;查詢向量將根據(jù)每個存儲的向量進(jìn)行測量，以找到最近的鄰居。在此模式下，向量不需要在 HNSW 圖中編入索引，而只需存儲為二進(jìn)制文檔值，相似度計算由自定義 Painless 腳本運(yùn)行。
首先，我們需要以不對向量進(jìn)行索引的方式定義向量場映射，這可以通過在映射中指定 index: false 和 no 相似度度量來實(shí)現(xiàn)：
# 1. Create a simple index with a dense_vector field of dimension 3
PUT /my-index
{"mappings": {"properties": {"price": {"type": "integer"},"title_vector": {"type": "dense_vector","dims": 3,"index": false}}}
}# 2. Load that index with some data
POST my-index/_bulk
{ "index": { "_id": "1" } }
{ "title_vector": [2.2, 4.3, 1.8], "price": 23}
{ "index": { "_id": "2" } }
{ "title_vector": [3.1, 0.7, 8.2], "price": 9}
{ "index": { "_id": "3" } }
{ "title_vector": [1.4, 5.6, 3.9], "price": 124}
{ "index": { "_id": "4" } }
{ "title_vector": [1.1, 4.4, 2.9], "price": 1457}這種方法的優(yōu)點(diǎn)是向量不需要索引，這大大降低了提取時間，因為不需要構(gòu)建底層 HNSW 圖。但是，根據(jù)數(shù)據(jù)集的大小和硬件，隨著數(shù)據(jù)量的增加，搜索查詢可能會很快變慢，因為添加的向量越多，訪問每個向量所需的時間就越長（即線性搜索的復(fù)雜度為 O(n)）。
創(chuàng)建索引并加載數(shù)據(jù)后，我們現(xiàn)在可以使用以下 script_score 查詢運(yùn)行精確搜索：
POST my-index/_search
{"_source": false,"fields": [ "price" ],"query": {"script_score": {"query" : {"bool" : {"filter" : {"range" : {"price" : {"gte": 100}}}}},"script": {"source": "cosineSimilarity(params.queryVector, 'title_vector') + 1.0","params": {"queryVector": [0.1, 3.2, 2.1]}}}}
}如你所見，script_score 查詢由兩個主要元素組成，即查詢和腳本。在上面的示例中，查詢部分指定了一個過濾器（即 price >= 100），該過濾器限制了將針對其執(zhí)行腳本的文檔集。如果未指定查詢，則相當(dāng)于使用 match_all 查詢，在這種情況下，腳本將針對索引中存儲的所有向量執(zhí)行。根據(jù)向量的數(shù)量，搜索延遲可能會大幅增加。
由于向量未編入索引，因此沒有內(nèi)置算法可以測量查詢向量與存儲向量的相似性，這必須通過腳本來完成，幸運(yùn)的是，Painless 提供了我們迄今為止學(xué)到的大多數(shù)相似性函數(shù)，例如：
l1norm(vector, field): L1 distance (Manhattan distance)l2norm(vector, field): L2 distance (Euclidean distance)hamming(vector, field): Hamming distancecosineSimilarity(vector, field): Cosine similaritydotProduct(vector, field):?Dot product similarity
由于我們正在編寫腳本，因此也可以構(gòu)建我們自己的相似性算法。 Painless 通過提供對 doc[<field>].vectorValue（允許迭代向量數(shù)組）和 doc[<field>].magnitude（返回向量的長度）的訪問來實(shí)現(xiàn)這一點(diǎn)。
總而言之，盡管精確搜索的擴(kuò)展性不佳，但它可能仍然適用于某些非常小的用例，但如果你知道數(shù)據(jù)量會隨著時間的推移而增長，則需要考慮改用 k-NN 搜索。 這就是我們接下來要介紹的內(nèi)容。
近似 k-NN 搜索
大多數(shù)情況下，如果你有大量數(shù)據(jù)并且需要使用 Elasticsearch 實(shí)現(xiàn)向量搜索，則你將選擇此模式。索引延遲稍高一些，因為 Lucene 需要構(gòu)建底層 HNSW 圖來存儲和索引所有向量。它在搜索時的內(nèi)存要求方面也要求更高一些，之所以稱為 “近似”，是因為其準(zhǔn)確度永遠(yuǎn)不可能像精確搜索那樣達(dá)到 100%。盡管如此，近似 k-NN 的搜索延遲要低得多，并且允許我們擴(kuò)展到數(shù)百萬甚至數(shù)十億個向量，前提是你的集群大小合適。
讓我們看看它是如何工作的。首先，讓我們創(chuàng)建一個具有足夠向量場映射的示例索引來索引向量數(shù)據(jù)（即 index: true + 特定 similarity 定義）并用一些數(shù)據(jù)加載它：
# 1. Create a simple index with a dense_vector field of dimension 3
PUT /my-index
{"mappings": {"properties": {"price": {"type": "integer"},"title_vector": {"type": "dense_vector","dims": 3,"index": true, # default since 8.11"similarity": "cosine", # default since 8.11"index_options": {"type": "int8_hnsw", # default value since 8.12"ef_construction": 128,"m": 24 }}}}
}# 2. Load that index with some data
POST my-index/_bulk
{ "index": { "_id": "1" } }
{ "title_vector": [2.2, 4.3, 1.8], "price": 23}
{ "index": { "_id": "2" } }
{ "title_vector": [3.1, 0.7, 8.2], "price": 9}
{ "index": { "_id": "3" } }
{ "title_vector": [1.4, 5.6, 3.9], "price": 124}
{ "index": { "_id": "4" } }
{ "title_vector": [1.1, 4.4, 2.9], "price": 1457}簡單的 k-NN 搜索
運(yùn)行這兩個命令后，我們的想量數(shù)據(jù)現(xiàn)在已在標(biāo)量量化的 HNSW 圖中正確索引，可供搜索。直到 8.11 版，運(yùn)行簡單 k-NN 搜索的唯一方法是使用 knn 搜索選項，該選項與你習(xí)慣的 query 部分位于同一級別，如以下查詢所示：
POST my-index/_search
{"_source": false,"fields": [ "price" ],"knn": {"field": "title_vector","query_vector": [0.1, 3.2, 2.1],"k": 2,"num_candidates": 100}
}在上面的搜索負(fù)載中，我們可以看到?jīng)]有像詞匯搜索那樣的 query 部分，而是 knn 部分。我們正在搜索與指定查詢向量最接近的兩個（k：2）相鄰向量。
從 8.12 開始，引入了新的 knn 搜索查詢（knn?search query），以允許更高級的混合搜索用例，這是我們將在下一篇文章中討論的主題。除非你具備將 k-NN 查詢與其他查詢相結(jié)合所需的專業(yè)知識，否則 Elastic 建議堅持使用更易于使用的 knn 搜索選項。首先要注意的是，新的 knn 搜索查詢沒有 k 參數(shù)，而是像任何其他查詢一樣使用 size 參數(shù)。第二件值得注意的是，新的 knn 查詢通過利用將一個或多個過濾器與 knn 搜索查詢相結(jié)合的 bool 查詢來實(shí)現(xiàn)對 k-NN 搜索結(jié)果的后過濾，如下面的代碼所示：
POST my-index/_search
{"size": 3,"_source": false,"fields": [ "price" ],"query" : {"bool" : {"must" : {"knn": {"field": "title_vector","query_vector": [0.1, 3.2, 2.1],"num_candidates": 100}},"filter" : {"range" : {"price" : {"gte": 100}}}}}
}上述查詢首先檢索具有最近鄰向量的前 3 個文檔，然后過濾掉 price 小于 100 的文檔。值得注意的是，使用這種后過濾，如果過濾器過于激進(jìn)，你可能最終得不到任何結(jié)果。還請注意，此行為不同于通常的布爾全文查詢，其中首先執(zhí)行過濾部分以減少需要評分的文檔集。如果你有興趣了解有關(guān) knn 頂級搜索選項和新 knn 搜索查詢之間的差異的更多信息，你可以前往另一篇很棒的搜索實(shí)驗室文章了解更多詳細(xì)信息。
現(xiàn)在讓我們繼續(xù)了解有關(guān) num_candidates 參數(shù)的更多信息。num_candidates 的作用是增加或減少找到真正最近鄰候選的可能性。該數(shù)字越高，搜索速度越慢，但找到真正最近鄰的可能性也越大。每個分片上將考慮 num_candidates 個向量，并將前 k 個向量返回到協(xié)調(diào)器節(jié)點(diǎn)，協(xié)調(diào)器節(jié)點(diǎn)將合并所有分片本地結(jié)果并返回全局結(jié)果中的前 k 個向量，如下圖 1 所示：
向量 id4 和 id2 分別是第一個分片上的 k 個局部最近鄰，id5 和 id7 分別是第二個分片上的 k 個局部最近鄰。在對它們進(jìn)行合并和重新排序后，協(xié)調(diào)器節(jié)點(diǎn)將返回 id4 和 id5 作為搜索查詢的兩個全局最近鄰。
多個 k-NN 搜索
如果你的索引中有多個向量字段，則可以發(fā)送多個 k-NN 搜索，因為 knn 部分還接受查詢數(shù)組，如下所示：
POST my-index/_search
{"_source": false,"fields": [ "price" ],"knn": [{"field": "title_vector","query_vector": [0.1, 3.2, 2.1],"k": 2,"num_candidates": 100,"boost": 0.4},{"field": "content_vector","query_vector": [0.1, 3.2, 2.1],"k": 5,"num_candidates": 100,"boost": 0.6}]
}我們可以看到，每個查詢可以采用不同的 k 值以及不同的提升因子。提升因子相當(dāng)于權(quán)重，總得分將是兩個得分的加權(quán)平均值。
過濾的 k-NN 搜索
與我們之前在 script_score 查詢中看到的類似，knn 部分也接受過濾器的規(guī)范，以減少近似搜索應(yīng)運(yùn)行的向量空間。例如，在下面的 k-NN 搜索中，我們將搜索限制為僅搜索價格大于或等于 100 的文檔。
POST my-index/_search
{"_source": false,"fields": [ "price" ],"knn": {"field": "title_vector","query_vector": [0.1, 3.2, 2.1],"k": 2,"num_candidates": 100,"filter" : {"range" : {"price" : {"gte": 100}}}}
}現(xiàn)在，你可能想知道數(shù)據(jù)集是否先按 price 過濾，然后對過濾后的數(shù)據(jù)集運(yùn)行 k-NN 搜索（預(yù)過濾），還是反過來，即先檢索最近鄰居，然后按 price 過濾（后過濾）。實(shí)際上，兩者都有一點(diǎn)。如果過濾器過于激進(jìn)，預(yù)過濾的問題在于 k-NN 搜索必須在非常小且可能稀疏的向量空間上運(yùn)行，并且不會返回非常準(zhǔn)確的結(jié)果。而后過濾可能會剔除大量高質(zhì)量的最近鄰居。
因此，即使 knn 部分 filter 被視為預(yù)過濾器，它也會在 k-NN 搜索期間工作，以確保至少可以返回 k 個鄰居。如果你對其工作原理感興趣，可以查看以下處理此事的 Lucene 問題。
具有預(yù)期相似度的過濾 k-NN 搜索
在上一節(jié)中，我們了解到，在指定過濾器時，我們可以減少搜索延遲，但我們也冒著將向量空間大幅減少為與查詢向量部分或大部分不相似的向量的風(fēng)險。為了緩解這個問題，k-NN 搜索還可以指定所有返回向量預(yù)計具有的最小相似度值（minimum?similarity）。重用上一個查詢，它看起來會像這樣：
POST my-index/_search
{"_source": false,"fields": [ "price" ],"knn": {"field": "title_vector","query_vector": [0.1, 3.2, 2.1],"k": 2,"num_candidates": 100,"similarity": 0.975,"filter" : {"range" : {"price" : {"gte": 100}}}}
}基本上，它的工作方式是，通過跳過任何與提供的過濾器不匹配或相似度低于指定過濾器的向量來探索向量空間，直到找到 k 個最近鄰居。如果算法不能接受至少 k 個結(jié)果（由于過濾器過于嚴(yán)格或預(yù)期相似度太低），則將嘗試進(jìn)行強(qiáng)力搜索（brute-force），以便至少返回 k 個最近鄰居。
關(guān)于如何確定最小預(yù)期相似度的簡短說明。這取決于你在向量場映射中選擇了哪種相似度度量。如果你選擇了 l2_norm，它是一個距離函數(shù)（即相似度隨著距離的增加而減小），你將需要在 k-NN 查詢中設(shè)置最大預(yù)期距離，即你認(rèn)為可接受的最大距離。換句話說，與查詢向量的距離介于 0 和最大預(yù)期距離之間的向量將被視為足夠 “接近” 以相似。
如果你選擇了 dot_product 或 cosine，它們是相似度函數(shù)（即，相似度隨著向量角度變寬而降低），你將需要設(shè)置最小預(yù)期相似度。與查詢向量具有最小預(yù)期相似度和 1 之間的相似度的向量將被視為足夠 “接近” 以致相似。
應(yīng)用于上面的示例過濾查詢和我們之前已索引的示例數(shù)據(jù)集，下面的表 1 總結(jié)了查詢向量和每個索引向量之間的余弦相似度。我們可以看到，向量 3 和 4 被過濾器選中（price?>= 100），但只有向量 3 具有最小預(yù)期相似度（即 0.975）才能被選中。
| Vector | Cosine similarity | Price |
|---|---|---|
| 1 | 0.8473 | 23 |
| 2 | 0.5193 | 9 |
| 3 | 0.9844 | 124 |
| 4 | 0.9683 | 1457 |
k-NN 的局限性
現(xiàn)在我們已經(jīng)回顧了 Elasticsearch 中 k-NN 搜索的所有功能，讓我們看看你需要注意的幾個限制：
- 直到 8.11，k-NN 搜索都無法在嵌套文檔內(nèi)的向量字段上運(yùn)行。從 8.12 開始，此限制已被取消。但是，這種嵌套的 knn 查詢不支持指定過濾器。
- search_type 始終設(shè)置為 dfs_query_then_fetch，并且無法動態(tài)更改它。
- 在使用跨集群搜索跨不同集群進(jìn)行搜索時，不支持 ccs_minimize_roundtrips 選項。
- 這已經(jīng)提到過幾次了，但由于 Lucene 使用的 HNSW 算法的性質(zhì)（以及任何其他近似最近鄰搜索算法），“近似??” 實(shí)際上意味著返回的 k 個最近鄰并不總是真實(shí)的。
調(diào)整 k-NN
你可以想象，你可以使用很多選項來優(yōu)化 k-NN 搜索的索引和搜索性能。我們不會在本文中介紹它們，但如果你真的想在 Elasticsearch 集群中實(shí)施 k-NN 搜索，我們強(qiáng)烈建議你在官方文檔中查看它們。
超越 k-NN
到目前為止，我們看到的一切都利用了密集（dense）向量模型（因此是致密向量字段類型），其中向量通常包含非零值。Elasticsearch 還提供了使用稀疏（sparse）向量模型執(zhí)行語義搜索的另一種方法。
Elastic 創(chuàng)建了一個稀疏 NLP 向量模型，稱為 Elastic Learned Sparse EncodeR，簡稱 ELSER，這是一個域外（即未在特定域上訓(xùn)練）稀疏向量模型，不需要任何微調(diào)。它是在約 30000 個術(shù)語的詞匯表上進(jìn)行預(yù)訓(xùn)練的，并且作為一個稀疏模型，這意味著向量具有相同數(shù)量的值，其中大多數(shù)為零。
它的工作方式非常簡單。在索引時，使用推理攝取處理器生成稀疏向量（術(shù)語/權(quán)重對），并將其存儲在 sparse_vector 類型的字段中，這是 dense_vector 向量字段類型的稀疏對應(yīng)項。在查詢時，特定的 DSL 查詢（也稱為 sparse_vector）將用 ELSER 模型詞匯表中的可用術(shù)語替換原始查詢術(shù)語，這些術(shù)語已知與它們的權(quán)重最相似。
我們不會在本文中深入探討 ELSER，但如果你渴望了解它的工作原理，你可以查看這篇開創(chuàng)性的文章以及官方文檔，其中詳細(xì)解釋了該主題。
快速瀏覽一些即將推出的相關(guān)主題
Elasticsearch 還支持結(jié)合詞匯搜索和向量搜索，這將是本系列下一篇也是最后一篇文章的主題。
到目前為止，我們必須在 Elasticsearch 之外生成嵌入向量，并將它們明確傳遞到我們所有的查詢中。是否可以只提供查詢文本，然后模型就會動態(tài)生成嵌入？好消息是，這可以通過 Elasticsearch 來實(shí)現(xiàn)，方法是利用名為 query_vector_builder 的構(gòu)造（用于密集向量）或使用新的 semantic_text 字段類型和 semantic DSL 查詢（用于稀疏向量），你可以在這篇文章中了解有關(guān)這些技術(shù)的更多信息。
讓我們總結(jié)一下
在本文中，我們深入研究了 Elasticsearch 向量搜索支持。我們首先分享了 Elastic 尋求提供準(zhǔn)確向量搜索的一些背景，以及我們決定使用 Apache Lucene 作為向量索引和搜索引擎的原因。
然后，我們介紹了在 Elasticsearch 中執(zhí)行向量搜索的兩種主要方法，即利用 script_score 查詢來運(yùn)行精確的強(qiáng)力搜索，或者通過 knn 搜索選項或 8.12 中引入的 knn 搜索查詢使用近似最近鄰搜索。
我們展示了如何運(yùn)行簡單的 k-NN 搜索，然后，我們回顧了使用過濾器和預(yù)期相似性配置 knn 搜索選項和查詢的所有可能方法，以及如何同時運(yùn)行多個 k-NN 搜索。
總結(jié)一下，我們列出了 k-NN 搜索的一些當(dāng)前限制以及需要注意的事項。我們還邀請你查看可用于優(yōu)化 k-NN 搜索的所有可能選項。
如果你喜歡你正在閱讀的內(nèi)容，請務(wù)必查看本系列的其他部分：
- 第 1 部分：向量搜索快速入門
- 第 3 部分：使用 Elasticsearch 進(jìn)行混合搜索（敬請期待！）
想要獲得 Elastic 認(rèn)證？了解下一次 Elasticsearch 工程師培訓(xùn)何時開始！
Elasticsearch 包含許多新功能，可幫助你為你的用例構(gòu)建最佳搜索解決方案。深入了解我們的示例筆記本以了解更多信息，開始免費(fèi)云試用，或立即在你的本地機(jī)器上試用 Elastic。
原文：How to set up vector search in Elasticsearch - Elasticsearch Labs