Daripada asas kepada amalan, semak sejarah pembangunan pengambilan vektor Elasticsearch

1. Pengenalan

Pencarian semula vektor telah menjadi komponen teras sistem carian dan pengesyoran moden.

Ia membolehkan pemadanan pertanyaan dan pengesyoran yang cekap dengan menukar objek kompleks (seperti teks, imej atau bunyi) kepada vektor berangka dan melakukan carian persamaan dalam ruang berbilang dimensi.

Daripada asas kepada amalan, semak sejarah pembangunan pengambilan vektor Elasticsearch_elasticsearch

Elasticsearch ialah enjin carian sumber terbuka yang popular, dan perkembangannya dalam pengambilan vektor sentiasa menarik perhatian ramai. Artikel ini akan menyemak sejarah pembangunan pengambilan vektor Elasticsearch, memfokuskan pada ciri dan kemajuan setiap peringkat. Mengambil sejarah sebagai panduan akan membantu semua orang mewujudkan pemahaman penuh tentang pengambilan vektor Elasticsearch.

2. Percubaan awal: Pengenalan pengambilan vektor mudah

Elasticsearch pada mulanya tidak direka khusus untuk mendapatkan semula vektor. Walau bagaimanapun, dengan peningkatan pembelajaran mesin dan kecerdasan buatan, permintaan untuk menanyakan ruang vektor berdimensi tinggi telah meningkat secara beransur-ansur.

Dalam versi 5.x Elasticsearch, peminat Elastic mula mencuba untuk melaksanakan fungsi pengambilan vektor mudah melalui pemalam dan operasi asas matematik. Contohnya: beberapa pemalam awal seperti elasticsearch-vector-scoring dan fast-elasticsearch-vector-scoring direka untuk memenuhi keperluan tersebut. . pada peringkat ini Retrieval digunakan terutamanya untuk pertanyaan persamaan asas, seperti sebagai pengiraan persamaan teks. Walaupun fungsinya agak terhad, ia meletakkan asas untuk pembangunan seterusnya.

Penjelasan lanjutan: Mengenai fungsi pembelajaran mesin, jika anda berminat dengan perubahan versi Elasticsearch, saya masih ingat bahawa versi 6.X telah dilancarkan pada masa itu, yang sangat mengujakan. Walau bagaimanapun, disebabkan fungsi bukan sumber terbuka, khalayak domestik sebenar masih agak kecil. 3. Sokongan rasmi: Pembangunan lanjut

kepada Elasticsearch versi 7.0, secara rasmi mula menambah sokongan untuk medan vektor, seperti melalui jenis vektor_padat. Ini menandakan bahawa Elasticsearch secara rasmi memasuki bidang pengambilan vektor dan tidak lagi bergantung semata-mata pada pemalam. dense_vector Masa pelancaran terawal: 13 Disember 2018, versi 7.6 ditandai GA. mengenai penggunaan jenis vektor_padat, bacaan yang disyorkan: Vektor berdimensi tinggi carian: Penerokaan praktikal menggunakan dense_vector dalam Elasticsearch 8.X.

Cabaran utama pada peringkat ini ialah bagaimana untuk menyokong pengambilan vektor secara berkesan dalam struktur indeks terbalik tradisional. Digabungkan dengan keupayaan carian teks penuh sedia ada, Elasticsearch menyediakan penyelesaian yang fleksibel dan berkuasa.

Daripada pemalam awal dan operasi asas kepada sokongan dan penyepaduan rasmi kemudiannya, peringkat ini meletakkan asas kukuh untuk inovasi dan pengoptimuman lanjut Elasticsearch dalam pengambilan vektor.

4. Pengoptimuman khusus: pengiraan persamaan yang dipertingkatkan

Dengan pertumbuhan permintaan, pasukan Elasticsearch mula menjalankan penyelidikan mendalam dan mengoptimumkan prestasi perolehan semula vektor. Ini melibatkan pengenalan kaedah pengiraan persamaan yang lebih kompleks, seperti persamaan kosinus, jarak Euclidean, dsb., serta pengoptimuman pelaksanaan pertanyaan.

Bermula dari Elasticsearch versi 7.3, kaedah pengiraan persamaan yang lebih kompleks telah diperkenalkan secara rasmi. Khususnya, peningkatan pada pertanyaan script_score membolehkan pengguna menyesuaikan pengiraan persamaan yang lebih kaya melalui skrip Tanpa Sakit.

/guide/en/elasticsearch/reference/7.3/query-dsl-script-score-query.html#vector-functionsFungsi teras adalah untuk membenarkan pengiraan persamaan melalui sudut antara vektor, menggunakan k jiran terdekat ( k-NN) untuk menyediakan sokongan untuk enjin carian persamaan. Ia digunakan secara meluas dalam analisis teks dan sistem pengesyoran.

Terutamanya digunakan untuk menyelesaikan: keperluan persamaan yang kompleks, menyediakan pilihan pengiraan persamaan yang lebih fleksibel dan berkuasa untuk memenuhi lebih banyak keperluan perniagaan. Senario aplikasi ditunjukkan dalam:

（1）个性化推荐：通过余弦相似度分析用户的行为和兴趣，提供更个性化的推荐内容；（2）图像识别和搜索：使用欧几里得距离快速检索与给定图像相似的图像；（3）声音分析：在声音文件之间寻找相似模式，用于语音识别和分析。

Perlu dinyatakan bahawa: pada mulanya, dimensi yang disokong untuk mendapatkan semula vektor ialah: 1024, sehingga Elasticsearch versi 8.8, dimensi yang disokong ditukar kepada: 2048 (ini adalah permintaan yang sangat popular) .

https://www.php.cn/link/1bda7493c968ded9800b3a754fc07e5c

/t/vector-knn-search-with-more-than-1024-dimensions/332819

Elasticsearch 7.x 版本的增强相似度计算功能标志着向量检索能力的显著进展。通过引入更复杂的相似度计算方法和查询优化，Elasticsearch 不仅增强了其在传统搜索场景中的功能，还为新兴的机器学习和 AI 应用打开了新的可能性。

但，这个时候你会发现，如果要实现复杂的向量搜索功能，自己实现的还很多。如果把后面马上提到的深度学习的集成和大模型的出现比作：飞行的汽车，当前的阶段还是 “拉驴车”，功能是有的，但用起来很费劲。

从基础到实践，回顾Elasticsearch 向量检索发展史_Elastic_02

5.深度学习集成与未来展望

大模型时代，向量检索和多模态搜索成为 “兵家” 必争之地。

多模态检索是一种综合各种数据模态（如文本、图像、音频、视频等）的检索技术。换句话说，它不仅仅是根据文字进行搜索，还可以根据图像、声音或其他模态的输入来搜索相关内容。

为了更通俗地理解多模态检索，我们可以通过以下比喻和示例来加深认识：想象你走进一个巨大的图书馆，这里不仅有书籍，还有各种图片、录音和视频。你可以向图书馆员展示一张照片，她会为你找到与这张照片相关的所有书籍、音频和视频。或者，你可以哼一段旋律，图书馆员能找到相关的资料，或者提供类似的歌曲或视频。这就是多模态检索的魔力！

随着深度学习技术的不断发展和应用，Elasticsearch 已开始探索将深度学习模型直接集成到向量检索过程中。这不仅允许更复杂、更准确的相似度计算，还开辟了新的应用领域，例如基于图像或声音的搜索。尤其在 Elasticsearch 的 8.x 版本，这一方向得到了显著的推进。

5.1 向量化是前提

如下图所示，先从左往右看是写入，图像、文档、音频转化为向量特征表示，在 Elasticsearch 中通过 dense_vector 类型存储。

从右往左看是检索，先将检索语句转化为向量特征表示，然后借助 K 近邻检索算法（在 Elasticsearch 中借助 Knn search 实现），获取相似的结果。

看中间，Results 部分就是向量检索的结果。

综上，向量检索打破了传统倒排索引仅支持文本检索的缺陷，可以扩展支持文本、语音、图像、视频多种模态。

图片来自：Elasticsearch 官方文档

相信你到这里，应该理解了向量检索和多模态。没有向量化的这个过程，多模态检索无从谈起。

5.2 模型是核心

深度学习模型集成总共可分为三步：

第一步：模型导入和管理：Elasticsearch 8.x 支持导入预训练的深度学习模型，并提供相应的模型管理工具，方便模型的部署和更新。第二步：向量表示与转换：通过深度学习模型，可以将非结构化数据如图像和声音转换为向量表示，从而进行有效的检索。第三步：自定义相似度计算：8.x 版本提供了基于深度学习模型的自定义相似度计算接口，允许用户根据实际需求开发和部署专门的相似度计算方法。

关于深度学习，可以是自训练模型，也可以是第三方模型库中的模型，举例：咱们图搜图案例中就是用的 HuggingFace 里的：clip-ViT-B-32-multilingual-v1 模型。

从基础到实践，回顾Elasticsearch 向量检索发展史_Elastic_04

Elasticsearch 支持的第三方模型列表：

包括如下的 Hugging Face 模型库也都是支持的。

从基础到实践，回顾Elasticsearch 向量检索发展史_elasticsearch_05

模型是 Elasticsearch 与深度学习集成的核心，它能将复杂的数据转化为 “指纹” 向量，使搜索更高效和智能。借助模型，Elasticsearch 可以理解和匹配各种非结构化数据，如图像和声音，提供更为准确和个性化的搜索结果，同时适应不断变化的数据和需求。“没有了模型，我们还需要黑暗中摸索很久”。

第三方模型官网介绍：/guide/en/machine-learning/8.9/ml-nlp-model-ref.html#ml-nlp-model-ref-text-embedding

值得一提的是：Elasticsearch 导入大模型需要专属 Python 客户端工具 Eland。

Eland 是一个 Python Elasticsearch 客户端，让用户能用类似 Pandas 的 API 来探索和分析 Elasticsearch 中的数据，还支持从常见机器学习库上传训练好的模型到 Elasticsearch。

Eland 是为了与 Elasticsearch 协同工作而开发的库。它不是 Elasticsearch 的一个特定版本产物，而是作为一个独立的项目来帮助 Python 开发者更方便地在 Elasticsearch 中进行数据探索和机器学习任务。

Eland 更多参见：

/guide/en/elasticsearch/client/eland/current/index.html

https://www.php.cn/link/47e57c4836ae0c44f774f9d8497e0b4f

5.3 ESRE 是 Elastic 的未来

前一段时间在分别给两位阿里云、腾讯云大佬聊天的时候，都提到了 Elasticsearch Relevance Engine (ESRE) 才是 Elastic 未来。

ESRE 官方介绍如下：——Elasticsearch Relevance Engine 将 AI 的最佳实践与 Elastic 的文本搜索进行了结合。ESRE 为开发人员提供了一整套成熟的检索算法，并能够与大型语言模型 (LLM) 集成。借助 ESRE，我们可以应用具有卓越相关性的开箱即用型语义搜索，与外部大型语言模型集成，实现混合搜索，并使用第三方或我们自己的模型。

ESRE 集成了高级相关性排序如 BM25f、强大的矢量数据库、自然语言处理技术、与第三方模型如 GPT-3 和 GPT-4 的集成，并支持开发者自定义模型与应用。其特点在于提供深度的语义搜索，与专业领域的数据整合，以及无缝的生成式 AI 整合，让开发者能够构建更吸引人、更准确的搜索体验。

在 Elasticsearch 8.9 版本上新了：Semantic search 语义检索功能，对官方文档熟悉的同学，你会发现如下截图内容，早期版本是没有的。

语义搜索不是根据搜索词进行字面匹配，而是根据搜索查询的意图和上下文含义来检索结果。

更进一步讲：语义搜索不仅仅是匹配你输入的关键字，而是试图理解你的真正意图，给你带来更准确、更有上下文的搜索结果。简单来说，如果你在英国搜索 “football”，系统知道你可能想要搜橄榄球，而不是足球（在美国 football 是足球）。

这种智能搜索方式，得益于强大的文本向量化等技术背景，使我们的在线搜索体验更加直观、方便和满意。

在文本里检索 connection speed requirement, 这点属于早期的倒排索引检索方式，或者叫全文检索中的短语 match_phrase 检索匹配 或者分词 match 检索匹配。这种可以得到结果。但是，中后半段视频显示，要是咱们要检索：“How fast should my internet be” 怎么办？

其实这里转换为向量检索，fast 和 speed 语义相近，should be 和 required、needs 语义相近，internet 和 connection、wifi 语义相近。所以依然能召回结果。

这突破了传统同义词的限制，体现了语义检索的妙处！

更进一步，我们给出语义检索和传统分词检索的区别，以期望大家更好的理解语义搜索。

总体而言，深度学习集成已经成为 Elasticsearch 向量检索能力的有力补充，促使它在搜索和分析领域的地位更加牢固，同时也为未来的发展提供了广阔的空间。

6.小结

Elasticsearch 的向量检索从最初的简单实现发展到现在的高效、多功能解决方案，反映了现代搜索和推荐系统的需求和挑战。随着技术的不断演进，我们可以期待 Elasticsearch 在向量检索方面将继续推动创新和卓越。

说一下最近的感触，向量检索、大模型等新技术的出现有种感觉 “学不完，根本学不完”，并且很容易限于 “皮毛论”（我自创的词）——所有技术都了解一点点，但经不起提问；浅了说，貌似啥都懂，深了说，一问三不知。

这种情况怎么办？我目前的方法是：以实践为目的去深入理解理论，必要时理解算法，然后不定期将所看、所思、所想梳理成文，以备忘和知识体系化。这个过程很慢、很累，但我相信时间越长、价值越大。

欢迎大家就向量检索等问题进行留言讨论交流，你的问题很可能就是下一次文章的主题哦！

7.参考

1、/cn/blog/text-similarity-search-with-vectors-in-elasticsearch

2、/guide/en/elasticsearch/reference/7.3/query-dsl-script-score-query.html#vector-functions-cosine

3、https://www.php.cn/link/8b0bb3eff8c1e5bf7f206125959921d7

Atas ialah kandungan terperinci Daripada asas kepada amalan, semak sejarah pembangunan pengambilan vektor Elasticsearch. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!