功能簡介

支持向量檢索（Vector Search）是搜索引擎的一個高級功能，它允許用戶在高維向量空間中進行相似性搜索，而不僅僅是基于傳統的關鍵詞匹配。

向量檢索的核心在于，它通過將文本、圖像或其他數據轉換為向量（即一組多維的數值表示），基于這些向量之間的距離來查找相似的項目。與傳統的基于關鍵字的檢索方法相比，向量檢索更適合處理復雜的數據類型，如自然語言處理、推薦系統和計算機視覺等場景。

在搜索引擎中，支持向量檢索的功能通過集成高效的向量索引結構（如近似最近鄰搜索算法）實現。這使得搜索引擎能夠在處理大規模數據集時，依然保持高效的查詢速度和準確性。通過向量檢索，用戶可以在海量數據中快速找到與查詢向量最相似的結果，從而提升搜索體驗和應用的智能化水平。

天翼云云搜索服務提供的OpenSearch和Elasticsearch都可以支持向量檢索能力。OpenSearch 2.19.1版本在向量檢索能力上相比Elasticsearch 7.10.2（搭配早期OpenDistro插件）有明顯提升。其內置的KNN插件持續演進，升級集成了更高版本的FAISS庫，在構建索引速度、內存管理、查詢性能等方面有較大優化。這些改進使得OpenSearch 2.19.1更適用于大規模、高并發的向量檢索場景。

使用示例

以下是OpenSearch支持向量檢索示例。

創建索引：

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3條數據：

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]  
}

查詢：

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

返回結果：

{
  "took" : 4,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 2,
      "relation" : "eq"
    },
    "max_score" : 1.0,
    "hits" : [
      {
        "_index" : "my-knn-index-1",
        "_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",
        "_id" : "2",
        "_score" : 0.7092199,
        "_source" : {
          "category" : "furniture",
          "brand" : "brandB",
          "style" : "vintage",
          "my_vector" : [
            0.2,
            0.4,
            0.7
          ]
        }
      }
    ]
  }
}