技术标签: Elastic Elasticsearch elasticsearch AI 人工智能 全文检索 搜索引擎 大数据
在信息过载的时代,根据上下文含义和用户意图而不是精确的关键字匹配来查找相关搜索结果已成为一项重大挑战。 传统的搜索引擎通常无法理解用户查询的语义上下文,从而导致相关性较低的结果。
在现代向量搜索之前,我们有 “传统”的 词袋(Bags of word - BOW)方法。 也就是说,我们获取一组要检索的“文档”(例如 Google 上的网页)。 每个文档都被转换为一组(词袋)单词,并用它来填充稀疏的 “frequency vector”。 流行的算法包括 TF-IDF 和 BM25。
这些稀疏向量由于其效率、可解释性和精确的术语匹配而在信息检索中非常受欢迎。 然而,它们还远非完美。
我们作为人类的本性与稀疏向量搜索不一致。 在搜索信息时,我们很少知道我们要查找的文档中将包含的确切术语。
密集嵌入模型在这个方向上提供了一些帮助。 通过使用密集模型,我们可以根据 “语义” 而不是术语匹配进行搜索。 然而,这些模型可能会更好。
我们需要大量数据来微调密集嵌入模型; 如果没有这个,它们就缺乏稀疏方法的性能。 对于很难找到数据并且特定领域术语很重要的利基领域来说,这是一个问题。
过去,有一系列的创可贴解决方案来解决这个问题; 从复杂和(仍然不完美)的两阶段检索系统,到查询和文档扩展或重写方法。 然而,这些都不是真正强大的解决方案。
幸运的是,在充分利用这两个世界方面已经取得了很大进展。 现在可以通过混合搜索合并稀疏和密集检索,并且可学习的稀疏嵌入有助于最大限度地减少稀疏检索的传统缺点。
Elastic 通过其检索模型 Elastic Learned Sparse EncodeR (ELSER) 引入了该问题的解决方案。 ELSER 是由 Elastic 训练的检索模型,使你能够执行语义搜索以检索更相关的搜索结果。 此搜索类型为你提供基于上下文含义和用户意图的搜索结果,而不是精确的关键字匹配。
ELSER 是一种域外(out-of-domain)模型,这意味着它不需要对你自己的数据进行微调,使其能够开箱即用地适应各种用例。 它将索引和搜索的段落扩展为术语集合,这些术语在不同的训练数据集中经常同时出现。 这些扩展术语不是搜索术语的同义词; 他们是 learned association。
在信息检索中,向量嵌入以数值向量格式表示文档和查询。 这种格式允许我们搜索向量数据库并识别相似的向量。
稀疏向量和稠密向量是这种表示的两种不同形式,各有利弊。
TF-IDF 或 BM25 等稀疏向量具有高维数并且包含很少的非零值(因此,它们被称为 “稀疏”)。 稀疏向量背后有数十年的研究。 从而产生紧凑的数据结构和许多专为这些向量设计的高效检索算法。
密集向量的维度较低,但信息丰富,在大多数或所有维度上都具有非零值。 这些通常是使用 transformers 等神经网络模型构建的,通过这种方式,可以表示更抽象的信息,例如某些文本背后的语义。
总的来说,两种方法的优缺点可以概括如下:
优点 | 缺点 |
---|---|
+ 通常检索速度更快 | - 性能无法比基线显着提高 |
+ 良好的基线性能 | - 性能无法比基线显着提高 |
+ 不需要模型微调 | - 存在词汇不匹配问题 |
+ 术语的精确匹配 |
优点 | 缺点 |
---|---|
+ 通过微调可以超越稀疏 | - 需要训练数据,在资源匮乏的场景下很难做到 |
+ 使用类似人类的抽象概念进行搜索 | - 不能很好地概括,特别是对于特定产品或服务的术语 |
+ 多模态(文本、图像、音频等)和跨模态搜索(例如文本到图像) | - 比稀疏需要更多的计算和内存 |
- 没有精确匹配 | |
- 不容易解释 |
ELSER 使用 Elasticsearch 排名 rank-feature 类型在索引时存储术语和权重,并在以后进行搜索。 要使用 ELSER,你必须具有适当的语义搜索订阅级别或激活试用期。更多关于订阅的信息,请参阅网站 订阅 | Elastic Stack 产品和支持 | Elastic。
如果关闭部署自动扩展,则 Elasticsearch Service 中用于部署和使用 ELSER 模型的最小专用 ML 节点大小为 4 GB。 建议打开自动缩放,因为它允许你的部署根据需求动态调整资源。
Elasticsearch 的 k 最近邻 (KNN) 搜索和 ELSER (Elastic Learned Sparse EncodeR) 都提供强大的搜索功能,但它们是针对不同类型的搜索任务而设计的,并且以根本不同的方式工作。
Elasticsearch 中的 KNN 搜索功能使你能够在高维空间中查找给定向量的 “最近邻居(nearest neigbors)”。 这对于图像搜索、产品推荐和异常检测等用例特别有用,在这些用例中,你可以将项目表示为向量,并且希望查找向量空间中相似的其他项目。
KNN 搜索的工作原理是对每个向量进行索引,然后使用距离函数(例如 Euclidean 距离或余弦相似度)来查找最接近给定向量的向量。 这是相似性搜索的一种形式,其目标是查找与给定项目相似的项目。
另一方面,ELSER 是由 Elastic 训练的检索模型,使你能够执行语义搜索以检索更相关的搜索结果。 此搜索类型为您提供基于上下文含义和用户意图的搜索结果,而不是精确的关键字匹配。
ELSER 是一种域外(out-of-domain)模型,这意味着它不需要对你自己的数据进行微调,使其能够开箱即用地适应各种用例。 它将索引和搜索的段落扩展为术语集合,这些术语在不同的训练数据集中经常同时出现。 这些扩展术语不是搜索术语的同义词; 他们是 learned association。
虽然 KNN 和 ELSER 都可用于提高搜索结果的相关性,但它们是针对不同类型的数据和用例而设计的。 KNN 最适合以下用例:你可以将条目表示为向量,并且你希望根据其向量表示找到相似的条目。 另一方面,ELSER 专为你想要查找与给定查询语义相关的搜索结果的用例而设计,即使它们不共享精确的关键字匹配。
在性能方面,KNN 搜索可能是计算密集型的,尤其是在高维空间中,并且可能需要大量资源来提供快速搜索结果。 另一方面,ELSER 使用学习模型来扩展搜索词,这可以更有效,但可能需要合适的订阅级别或试用期激活。
总之,KNN 和 ELSER 之间的选择取决于您的用例的具体要求和数据的性质。
在 Kibana 中,你可以从 Machine Learning > Trained Models、Enterprise Search > Indices 或使用开发控制台下载和部署 ELSER。你可以参考文章 “Elasticsearch:部署 ELSER - Elastic Learned Sparse EncoderR” 来在自己的电脑上部署 ELSER 模型。
在 Kibana 中,导航到开发控制台并通过运行以下 API 调用来创建 ELSER 模型配置:
PUT _ml/trained_models/.elser_model_1
{
"input": {
"field_names": [
"text_field"
]
}
}
上述命令返回:
{
"model_id": ".elser_model_1",
"model_type": "pytorch",
"model_package": {
"packaged_model_id": "elser_model_1",
"model_repository": "https://ml-models.elastic.co",
"minimum_version": "8.8.0",
"size": 438123276,
"sha256": "95f645a3ab8dc66a33de7892391a41ef4fc609a74d21d7b3f7fdd973d58dfe06",
"metadata": {},
"tags": [],
"vocabulary_file": "elser_model_1.vocab.json"
},
"created_by": "api_user",
"version": "8.8.2",
"create_time": 1690432777746,
"model_size_bytes": 0,
"estimated_operations": 0,
"license_level": "platinum",
"description": "Elastic Learned Sparse EncodeR v1 (Tech Preview)",
"tags": [
"elastic"
],
"metadata": {},
"input": {
"field_names": [
"text_field"
]
},
"inference_config": {
"text_expansion": {
"vocabulary": {
"index": ".ml-inference-native-000001"
},
"tokenization": {
"bert": {
"do_lower_case": true,
"with_special_tokens": true,
"max_sequence_length": 512,
"truncate": "first",
"span": -1
}
}
}
},
"location": {
"index": {
"name": ".ml-inference-native-000001"
}
}
}
使用带有部署 ID 的启动训练模型 deployment API 来部署模型:
POST _ml/trained_models/.elser_model_1/deployment/_start?deployment_id=for_search
上述命令返回:
{
"assignment": {
"task_parameters": {
"model_id": ".elser_model_1",
"deployment_id": "for_search",
"model_bytes": 438123276,
"threads_per_allocation": 1,
"number_of_allocations": 1,
"queue_capacity": 1024,
"cache_size": "438123276b",
"priority": "normal"
},
"routing_table": {
"Gbl69vadQgK1nOqxUT8LaQ": {
"current_allocations": 1,
"target_allocations": 1,
"routing_state": "started",
"reason": ""
}
},
"assignment_state": "started",
"start_time": "2023-07-27T04:40:19.531125Z",
"max_assigned_allocations": 1
}
}
部署完成后,我们可以通过 Kibana 来查看部署的结果:
ELSER 就可以在摄取管道或 text_expansion 查询中使用来执行语义搜索。
在摄取管道中使用 ELSER:
PUT _ingest/pipeline/my_pipeline
{
"description": "ELSER pipeline",
"processors": [
{
"inference": {
"model_id": ".elser_model_1",
"target_field": "ml",
"field_map": {},
"inference_config": {
"text_expansion": {
"results_field": "tokens"
}
}
}
}
]
}
使用管道索引文档。设置管道后,你可以使用它索引文档:
PUT my_index
{
"mappings": {
"properties": {
"ml.tokens": {
"type": "rank_features"
},
"text_field": {
"type": "text"
}
}
}
}
PUT my_index/_doc/1?pipeline=my_pipeline
{
"text_field": "This is a sample document for ELSER."
}
PUT my_index/_doc/2?pipeline=my_pipeline
{
"text_field": "Elastic is a great company"
}
最后,你可以使用匹配查询来查询索引文档:
GET my_index/_search
{
"_source":false,
"fields": [
"text_field"
],
"query": {
"text_expansion": {
"ml.tokens": {
"model_id": ".elser_model_1",
"model_text": "Sample"
}
}
}
}
上面的搜索结果为:
{
"took": 5,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": {
"value": 2,
"relation": "eq"
},
"max_score": 5.2040906,
"hits": [
{
"_index": "my_index",
"_id": "1",
"_score": 5.2040906,
"fields": {
"text_field": [
"This is a sample document for ELSER."
]
}
},
{
"_index": "my_index",
"_id": "2",
"_score": 0.028514616,
"fields": {
"text_field": [
"Elastic is a great company"
]
}
}
]
}
}
我们再做一次搜索:
GET my_index/_search
{
"_source":false,
"fields": [
"text_field"
],
"query": {
"text_expansion": {
"ml.tokens": {
"model_id": ".elser_model_1",
"model_text": "Elastic Stack"
}
}
}
}
上面显示的结果为:
{
"took": 73,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": {
"value": 1,
"relation": "eq"
},
"max_score": 13.001609,
"hits": [
{
"_index": "my_index",
"_id": "2",
"_score": 13.001609,
"fields": {
"text_field": [
"Elastic is a great company"
]
}
}
]
}
}
我们再做一次搜索:
GET my_index/_search
{
"_source":false,
"fields": [
"text_field"
],
"query": {
"text_expansion": {
"ml.tokens": {
"model_id": ".elser_model_1",
"model_text": "ELK"
}
}
}
}
上面的搜索结果为:
{
"took": 48,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": {
"value": 1,
"relation": "eq"
},
"max_score": 0.054624833,
"hits": [
{
"_index": "my_index",
"_id": "2",
"_score": 0.054624833,
"fields": {
"text_field": [
"Elastic is a great company"
]
}
}
]
}
}
最后一个搜索:
GET my_index/_search
{
"_source":false,
"fields": [
"text_field"
],
"query": {
"text_expansion": {
"ml.tokens": {
"model_id": ".elser_model_1",
"model_text": "demo doc"
}
}
}
}
结果为:
{
"took": 56,
"timed_out": false,
"_shards": {
"total": 1,
"successful": 1,
"skipped": 0,
"failed": 0
},
"hits": {
"total": {
"value": 2,
"relation": "eq"
},
"max_score": 4.6410522,
"hits": [
{
"_index": "my_index",
"_id": "1",
"_score": 4.6410522,
"fields": {
"text_field": [
"This is a sample document for ELSER."
]
}
},
{
"_index": "my_index",
"_id": "2",
"_score": 0.09583376,
"fields": {
"text_field": [
"Elastic is a great company"
]
}
}
]
}
}
ELSER(Elastic 的学习稀疏编码器)可以有效地用于以语义理解和上下文相关性为关键的各种用例。 这里有一些例子:
文章浏览阅读99次。#### 1.Linux中软件包的类型 ####1.DEB#UBlinux DEBlinux2.RPM #redhat centOS fadora3.bz2|gz|xz#1.需要源码安装需要编译 #2.绿色软件,直接可用 #ntfs-3g_ntfsprogs-2017.3.23.tgz需要编译 "configur...
文章浏览阅读4.9k次。引用:Zhang Y, Qian Y, Wang Y. A RecommendationAlgorithm Based on Dynamic User Preference and Service Quality[C]//2018 IEEEInternational Conference on Web Services (ICWS). IEEE, 2018: 91-98.摘要:在服务计算领域...
文章浏览阅读1.9k次。在这一期的文章主要以计算机二级选择题的公共基础知识进行讲解。在计算机二级考试当中,选择题中的二级公共基础知识是必考的部分。很多考生对计算机二级的公共基础知识选择题有很多不解。二级公共基础知识选择题主要考这些内容。未来教育题库界面截图主要由四章内容组成:数据库结构与算法、程序设计基础、软件工程基础、数据库设计基础一、数据库结构与算法这一章主要难点是对栈与队列以及树与二叉树的理解。话不多说,,直接上例..._计算机二级python公共基础题选择题是什么
文章浏览阅读2.2k次。在源代码管理器里面 找到你的本地工作区然后点击编辑按钮修改本地目录_vs怎么更改映射路径
文章浏览阅读77次。【题意】1. 插入x数2. 删除x数(若有多个相同的数,因只删除一个)3. 查询x数的排名(若有多个相同的数,因输出最小的排名)4. 查询排名为x的数5. 求x的前驱(前驱定义为小于x,且最大的数)6. 求x的后继(后继定义为大于x,且最小的数)【算法】平衡树(treap)重要的细节以注释的形式标注在代码中。#include<cstdio>...
文章浏览阅读3.2k次。视图中的键保留表:连接视图中所有更新的列必须映射到键保留表的列中,也就是视图DML操作的列必须映射到键保留表的列中键保留表的理解是:一个复杂视图,若需要出现键保留表的话则必须保证基表中至少有一张表是有主键的! 其次,这两张表在进行关联时(可以是表连接也可以是多表查询,但一定要有关联条件,其关联条件其实相当于两表的主外键关系),如果关联条件是使用了主键的话,则外键表为键保留表_视图键保留表
文章浏览阅读335次。5月17日,小米集团再发组织架构调整及任命通知。新通知主要内容为前小米中国区负责人王川调职,雷军自任中国区总裁。小米频繁调整背后,雷军有些着急了中国区手机业务持续下滑。根据IDC最近公布的数据,小米一季度全球出货量为2750万台,相比去年同期的2780万台,小幅下降。参考Canalys、Counterpoint的统计,小米一季度出货量也都录得1%的同比下滑。作为对比,IDC数据显示,华为同期出..._小米更换硬件负责人
文章浏览阅读9.1w次。JAVASE和JAVAEE的区别JDK的安装路径[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-perPRPgq-1608641067105)(C:\Users\王东梁\AppData\Roaming\Typora\typora-user-images\image-20201222001641906.png)]卸载和安装JDK[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SYnXvbAn-1608641067107)(C:\Users_java学习笔记word
文章浏览阅读7.8k次,点赞2次,收藏17次。在实际的项目开发中,我们通常会用到Echarts来对数据进行展示,有时候需要用到Echarts的点击事件,增加系统的交互性,一般是点击Echarts图像的具体项来跳转路由并携带参数,当然也可以根据具体需求来做其他的业务逻辑。下面就Echarts图表的点击事件进行实现,文章省略了Echarts图的html代码,构建过程,option,适用的表格有饼图、柱状图、折线图。如果在实现过程中,遇到困难或者有说明好的建议,欢迎留言提问。_echarts 饼图点击事件
文章浏览阅读1.3k次,点赞4次,收藏14次。内容整理自,华中科技大学,苏曙光老师《操作系统原理》,可在MOOC课程学习相关课程。_操作系统课程思维导图
文章浏览阅读4.3k次。vite在开发阶段采用的是按需加载的方式,不会将所有文件打包。但是生产环境的部署是需要进行打包的,这里它使用的是rollup打包方式。对于代码切割的需求,使用原生动态导入,因此打包后支持新浏览器,对IE的兼容性不是很好,但是可以用对应的polyfill解决。使用esbuild来处理需要pre-undle的在cli.ts的build命令中引入build.ts调用doBuild方法,在这个方法中配置打包参数(input output plugin等)调用buildHtmlPlugin解析文件入口in_vite build
文章浏览阅读1.4k次。http://blog.csdn.net/pipisorry/article/details/52902234Scala 访问修饰符Scala 访问修饰符基本和Java的一样,分别有:private,protected,public。如果没有指定访问修饰符符,默认情况下,Scala对象的访问级别都是 public。Scala 中的 private 限定符,比 Java 更严格,在嵌套类情况下,外层_scala ===运算符