向量检索特性介绍

方案优势

• 高效可靠：内置高性能CSS向量检索引擎，提供优秀的搜索吞吐量和低延迟。依托OpenSearch原生分布式架构，具备多副本、快照备份、权限控制等企业级可靠性保障。
• 灵活适配：支持多种索引算法及相似度度量方式，如暴力检索、图索引（HNSW）、乘积量化、IVF-HNSW等，并兼容多种相似度计算方式，包括欧式、内积、余弦、汉明等。
• 生态兼容：兼容开源OpenSearch语法和API。无缝集成OpenSearch生态工具，如Cerebro、OpenSearch Dashboards、Logstash等。支持Python、Java、Go、C++等主流客户端语言，开发集成简单。

原理概述

CSS向量检索的原理基于近似最近邻（ANN） 搜索，旨在高效解决K近邻（KNN）问题（即找出与查询向量最相似的K个结果），避免计算量巨大的精确KNN。其关键在于优化检索效率与精度：

• 减少候选集：传统文本检索通过倒排索引过滤无关文档，而向量检索通过构建索引结构（如HNSW图或IVF-PQ）快速定位潜在相关向量，避免全量遍历。例如，HNSW索引通过多层图结构实现快速跳转，显著缩短搜索路径。
• 降低计算复杂度：漏斗模型先对向量进行粗粒度量化（如IVF-PQ），快速筛选候选集；再对候选集进行精粒度计算（如余弦相似度），平衡性能与精度。量化压缩是通过乘积量化（PQ）将向量编码为低维码本，减少存储和计算开销。
• 性能与精度平衡：支持动态调整索引参数（如HNSW的层级数、IVF的聚类数），在召回率与响应时间之间灵活权衡。

使用流程

1. 数据准备： 使用AI模型（如CNN、Transformer）处理您的非结构化数据（图片、视频、文本等），提取特征向量。
2. 索引创建： 在OpenSearch集群中创建向量索引，定义包含向量字段的Mapping（指定向量维度、索引算法、相似度度量方式等）。将特征向量数据（通常连同原始数据或元数据）索引到OpenSearch中。
3. 数据写入：将特征向量数据写入OpenSearch集群。
4. 向量查询： 使用标准的OpenSearch查询DSL（如KNN查询），传入您需要搜索的目标特征向量（由相同模型提取），指定期望返回的最近邻数量K。
5. 获取结果： CSS向量检索引擎高效执行ANN搜索，返回与查询向量最相似的K个结果及其相似度分数，您的应用即可处理这些结果（如展示相似图片、推荐相关商品）。

约束限制

OpenSearch集群仅1.3.6和2.19.0版本自带CSS向量搜索引擎。

相关文档

• CSS服务的OpenSearch集群支持开源向量检索，操作指导请参见k-NN query。
• 了解如何快速上手CSS向量检索功能，请参见使用Elasticsearch实现向量检索。
• 了解CSS向量数据库的性能比较，请参见Elasticsearch向量检索的性能测试和比较。