ElasticSearch向量检索技术方案介绍
1、背景
在人工智能快速发展的今天，推荐技术、以文搜图、以文搜视频、以图搜图等技术已经得到了广泛的应用，在百度、小红书、抖音、快手等app上随便输入一段文本，搜索结果已不像早些年那么单一：只有一些文字信息，现在的搜索结果里不仅有文字，还能够搜索出与检索词高度相关的图片、视频、或者商品(电商app)，甚至都不用检索，feed流推荐的内容或者商品都是自身感兴趣的，大家一定会有疑问，整个系统背后是如何实现的呢，为什么输入一段文字，就能检索到相关的视频、音频或者图像呢？不同的内容形式，中间是怎么实现的匹配呢？
答案就是向量匹配，不同形式的内容需要转化成一个统一的结构化数据。
AI的出现，实现了这个过程，他可以以一定的算法提取文字、图像、音频、视频等各种形式内容的特征向量，实现了将所有内容形式转化为特征向量的过程。
内容结构化为特征向量后，那么如何进行检索呢？这就涉及到了本文的主题：向量检索了。
2、es向量检索
2.1 检索算法
1、KNN算法
KNN （K-Nearest Neighbor Search）指的是最近邻搜索。它的原理是：计算待查询向量与数据库中所有向量之间的距离，然后按照距离从小到大排序，选择距离最近的 K 个向量作为查询结果。KNN 算法的优点是可以保证精确的结果，但是效率较低。
2、ANN算法
ANN（Approximate Nearest Neighbor Search） 表示近似最近邻搜索，是一种用于高维数据空间中快速查找最近邻点的方法。与KNN（最近邻搜索）相比，ANN 牺牲了一定的精度以换取更高的搜索速度，因此在处理大规模数据集时具有较高的效率。
ANN 会对数据进行预处理，从而在查询时减少计算距离的次数。其优点是速度快、效率高，但精度有所下降。
3、HNSW
HNSW（Hierarchical Navigable Small World） 是一种基于图的高维向量相似性搜索算法。通过构建一张图来表示向量之间的相似度关系，并使用一些优化策略来加速搜索过程。
2.2 向量距离
向量检索的本质就是计算向量之间的距离，向量距离的大小直接反映两个向量的相似程度，距离越小，两个向量越相似，反之，相似度越低。
常用的距离度量有：
- 欧式距离：l2
- 余弦距离：cosine
- 内积：innerproduct
2.3 elasticsearch环境
es使用的是厂内的：百度Elasticsearch，最新版本7.10，支持向量检索。
2.4 创建索引
以下面创建索引的语句为例说明，这个索引即为工作中开发使用到的，只是对字段做了精简。
{"settings": {"index": {"knn": true,"number_of_shards": 9,"number_of_replicas": 1}},"mappings": {"_source": {"excludes": ["IFV","TFV"]},"properties": {"car_id": {"type": "keyword","ignore_above": 256},"camera_type": {"type": "keyword","ignore_above": 256},"image_id": {"type": "keyword","ignore_above": 256,"index": false},"bbox": {"properties": {"left": {"type": "integer","index": false},"top": {"type": "integer","index": false},"width": {"type": "integer","index": false},"height": {"type": "integer","index": false}}},"IFV": {"type": "bpack_vector","index_type": "hnsw_sq8","dims": 768,"space_type": "l2","parameters": {"m": 32,"ef_construction": 256}},"TFV": {"type": "bpack_vector","index_type": "hnsw_sq8","dims": 768,"space_type": "innerproduct","parameters": {"m": 32,"ef_construction": 256}}}}
}各重要字段的含义如下：
| 字段 | 示例 | 说明 |
|---|---|---|
| setting | { "index": { "knn": true, "number_of_shards": 9, "number_of_replicas": 1 } } | knn：设置为ture，开启向量检索功能。 number_of_shards：分片数量，与集群节点数量一致。 number_of_replicas：副本数量，一般设置为1. |
| excludes | : { "excludes": [ "IMAGE", "TEXT" ] }, | 这个字段主要是为了减少数据的存储，这样可以大大降低对存储的消耗（IFV、TFV为向量字段） |
| IMAGE | "IMAGE": { "type": "bpack_vector", "index_type": "hnsw_sq8", "dims": 768, "space_type": "l2", "parameters": { "m": 32, "ef_construction": 256 } } | type：向量字段类型固定为 bpack_vector index_type: 向量检索算法，hnsw算法+sq8量化 dims：向量维度，768维 space_type：距离计算方式，l2，欧式距离 m：hnsw算法参数。此参数表示构造期间为每个新元素创建的双向链接数，主要影响内存、存储消耗以及召回率。m值越高，意味着更高消耗的内存和存储，更慢的索引构建时间，以及更好的召回率。建议根据min(向量维度 * 1.5, 32)取值，以保证性能，12-48可以满足大多数场景的需求。 ef_construction：hnsw算法参数。此参数表示在索引构建过程中，最近邻居的动态扫描区域大小。该值越大，越不容易陷入局部最优解，召回率更高，但是索引构建越慢，取值范围为[2,+∞]。需要注意，如果用户业务需求要求检索top k，那设置的ef_construction值需要大于k。 |
注意，向量检索算法、维数、距离计算方式千万不能出错，否则会出现检索结果相关性降低，甚至是不相关。
索引创建完成后，就可以正是写入数据了。
2.5 检索
检索dsl：
{"size": 2,"query": {"knn": {"image-vector": {"vector": [3,4,5,6],"k": 2,"ef": 100,"filter": {"term": {"car_id": "A88888"}}}}}
}百度elasticsearch的向量检索与官方8.x版本es的检索语句稍有不同，支持向量检索和标量的组合检索。
3、代码实现(golang)
向量检索与普通检索在代码的实现上区别不大，重点是dsl的构建与普通检索略有不同，目前在自研的dsl包（elasticsearch查询语言DSL构建包使用及实现原理(golang)_golang es包-CSDN博客）也实现了向量检索dsl的构建，可以直接使用，非常方便，使用示例：
package mainimport ("fmt""github.com/liupengh3c/esbuilder"
)func main() {vector := []float64{0.045727044343948364, 0.029040496796369553,0.02996855601668358, 0.0001537138596177101,-0.011850773356854916, 0.016586067155003548,0.029250113293528557}dslQuery := esbuilder.NewDsl()knnQuery := esbuilder.NewKnnQuery("IFV")knnQuery.SetK(10).SetEf(256).SetVector(vector)filter := esbuilder.NewTermQuery("car_id.keyword", "京AJB139")knnQuery.Filter(filter)dslQuery.SetQuery(knnQuery)fmt.Println(dslQuery.BuildJson())
}
构建的dsl如下：
{"query": {"knn": {"IFV": {"ef": 256,"filter": {"term": {"car_id.keyword": "京AJB139"}},"k": 10,"vector": [0.045727044343948364,0.029040496796369553,0.02996855601668358,0.0001537138596177101,-0.011850773356854916,0.016586067155003548,0.029250113293528557]}}}
}含义为，检索car_id为京AJB139且与检索条件中向量近似的数据。
4、展望
向量检索在信息技术和数据处理领域具有广泛的应用前景和重要性。随着技术的不断发展，向量检索的性能和准确性将不断提高，为各个领域带来更多的创新和价值。