服装网站设计模板网站关键词快速排名工具
Elasticsearch 简介
当你开始使用 Elastic 时，你将使用 Elasticsearch Relevance Engine™（ESRE），它专为 AI 搜索应用程序提供支持。通过 ESRE，你可以利用一整套开发者工具，包括 Elastic 的文本搜索、向量数据库以及我们专有的 Transformer 模型进行语义搜索。
Elastic 提供多种搜索技术，从 BM25 开始，这是文本搜索的行业标准。它可以精准匹配特定搜索内容，匹配精确的关键词，并且可以通过调优来提升效果。
在开始使用向量搜索时，需要注意向量搜索有两种形式：“dense - 密集” 向量搜索（即 kNN 向量搜索）和“sparse - 稀疏”向量搜索。
此外，Elastic 还支持 kNN 向量，以实现对文本以外的非结构化数据（如视频、图像和音频）的相似性搜索。
在本指南中，我们将演示如何利用 Elasticsearch 作为向量数据库，以支持向量搜索的应用场景。
安装
Elasticsearch 及 Kibana
我们首先需要安装 Elasticsearch 及 Kibana。我们可以参考如下的文章来进行安装：
-
如何在 Linux，MacOS 及 Windows 上进行安装 Elasticsearch
-
Kibana：如何在 Linux，MacOS 及 Windows 上安装 Elastic 栈中的 Kibana
当我们安装的时候，选择 Elastic Stack 8.x 的文章来进行安装。在本展示中，我们将使用 Elastic Stack 8.17.2 来进行展示。当我们首次运行 Elasticsearch 时，我们可以看到如下的界面：
创建 Elasticsearch 索引
让我们创建第一个 Elasticsearch 索引，可以将其命名为 vector-search。点击 Create my index（创建我的索引）。
开始使用向量搜索
现在你已经创建了无服务器项目和第一个索引，是时候将数据导入 Elasticsearch 了。我们已让此过程变得简单，在 Data > Index Management Data 中，点击 Run in Console（在控制台中运行）。
一个侧边窗口（flyout）会弹出，显示控制台。你会在左侧看到代码，点击 Send request 按钮 ▶ 后，你将在右侧看到执行的代码。
第一个命令将为索引创建映射，包括一个名为 vector 的向量字段和一个名为 text 的文本字段。
PUT vector-search/_mapping
{"properties": {"vector": {"type": "dense_vector","dims": 3},"text": {"type": "text"}}
}上面的命令定义 vector-search 索引的 mapping：
POST _bulk?pretty
{ "index" : { "_index" : "vector-search" } }
{"vector": [9.048, 9.573, 3.047],
"title": "Yellowstone National Park"}
{ "index" : { "_index" : "vector-search" } }
{"vector": [2.654, 6.36, 0.476],
"title": "Yosemite National Park"}
{ "index" : { "_index" : "vector-search" } }
{"vector": [6.125, 8.118, 7.029],
"title": "Rocky Mountain Park"}我们使用上面的 _bulk API 来写入三个数据。在 Elasticsearch 中，_bulk 请求是索引大量文档的首选方式。
使用 Elasticsearch
构建你的向量搜索查询
很好，现在我们可以使用 knn 查询来获取与给定向量最接近的文档，例如尝试向量 [2,6,0]。复制并粘贴以下请求：
GET vector-search/_search
{"knn": {"field": "vector","k": 10,"num_candidates": 100,"query_vector": [2,6,0]}
}
完成，“Yosemite National Park” 的向量 [2.654, 6.36, 0.476] 确实是最接近的匹配项。
下一步
感谢你花时间在设置向量搜索上。随着你开始使用 Elastic，了解在你的环境中部署时需要管理的一些操作、安全和数据组件。
准备好开始了吗？启动一个免费的 14 天 Elastic Cloud 试用，或者尝试这些 15 分钟的动手学习课程：《Search AI 101》。