进行向量检索

标准查询

标准查询用于检索与查询向量最相似的文档。

下述查询命令将会返回所有数据中与查询向量最相似的size（topk）条数据。

POST my_index/_search
{
  "size":2,
  "_source": false, 
  "query": {
    "vector": {
      "my_vector": {
        "vector": [1, 1],
        "topk":2
      }
    }
  }
}

复合查询

复合查询允许将向量检索与其他Elasticsearch查询组合使用，包括前置过滤查询和布尔查询。

前置过滤查询仅Elasticsearch 7.10.2版本的集群支持。

以下示例的查询场景：查询Top10条“my_label”的值为“red”的结果。

• 前置过滤查询

  先执行过滤条件检索，筛选出符合条件的结果，再对筛选结果进行向量相似度检索，以找出最相似的结果。

  查询示例如下：

  POST my_index/_search
  {
    "size": 10,
    "query": {
      "vector": {
        "my_vector": {
          "vector": [1, 2],
          "topk": 10,
          "filter": {
            "term": { "my_label": "red" }
          }
        }
      }
    }
  }

  表2 过滤查询的参数说明

  参数	是否必选	参数类型	描述
  filter	是	Map	向量查询的过滤条件。支持Elasticsearch标准查询语法，如term、range等。 如果“filter”过滤条件非常强，过滤后的中间结果集较小，则可以通过给向量索引配置“index.vector.exact_search_threshold”参数，当过滤后的结果集数量低于阈值时，系统会自动切换为暴力搜索（FLAT算法），以确保较高的召回率。配置操作请参见创建向量索引。
  term	否	Map	term查询，是一种精确查询类型，用于精确匹配字段值。例如 “{"term": {"my_label": "red"}} ”表示只返回“my_label”字段值为“red”的文档。

• 布尔查询

  布尔查询实际上是后置过滤查询方式。过滤条件与向量相似度检索分别独立执行，执行完成后对两者的检索结果进行布尔逻辑合并，合并逻辑由must、should、filter等谓词决定。

  查询示例如下：

  POST my_index/_search
  {
    "size": 10,
    "query": {
      "bool": {
        "must": {
          "vector": {
            "my_vector": {
              "vector": [1, 2],
              "topk": 10
            }
          }
        },
        "filter": {
          "term": { "my_label": "red" }
        }
      }
    }
  }

  表3 布尔查询的参数说明

  参数	是否必选	参数类型	描述
  bool	是	Map	布尔查询的根查询类型，用于组合多个查询条件。 键值对含义： must：必须满足的条件。 filter：用于过滤的条件，不影响评分。 should：可选条件，满足越多越好。 must_not：必须不满足的条件。
  bool.must	是	Map	指定查询必须满足的条件，即查询结果必须同时满足这些条件。键值对含义： vector：向量查询条件。 my_vector：指定向量字段名。 topk：返回的最相似结果数量。
  bool.filter	是	Map	向量查询的过滤条件，用于过滤文档但不影响评分。支持Elasticsearch标准查询语法，如term、range等。

ScriptScore查询

ScriptScore查询允许使用自定义脚本计算向量相似度。查询语法如下：

前置过滤条件可以为任意查询，script_score仅针对前置过滤的结果进行遍历，计算向量相似度并排序返回。此种查询方式不使用向量索引算法，性能取决于前置过滤后中间结果集的大小，当前置过滤条件为"match_all"时，相当于全局暴力检索。

查询示例如下：

POST my_index/_search 
 { 
   "size":2, 
   "query": { 
   "script_score": { 
       "query": { 
         "match_all": {} 
       }, 
       "script": { 
         "source": "vector_score", 
         "lang": "vector", 
         "params": { 
           "field": "my_vector", 
           "vector": [1.0, 2.0], 
           "metric": "euclidean" 
         } 
       } 
     } 
   } 
 }

重打分查询

重打分查询用于对初始查询结果进行精排，提升召回率。

当使用GRAPH_PQ索引或者IVF_GRAPH_PQ索引时，查询结果是根据PQ计算的非对称距离进行排序，通过Rescore方式可以对查询结果进行重打分精排。

假设my_index是PQ类型的索引，重打分查询示例如下：

GET my_index/_search 
 { 
   "size": 10, 
   "query": { 
     "vector": { 
       "my_vector": { 
         "vector": [1.0, 2.0], 
         "topk": 100 
       } 
     } 
   }, 
   "rescore": { 
     "window_size": 100, 
     "vector_rescore": { 
       "field": "my_vector", 
       "vector": [1.0, 2.0], 
       "metric": "euclidean" 
     } 
   } 
 }

Painless语法扩展查询

Painless语法扩展允许在自定义脚本中使用向量距离计算函数。CSS服务扩展实现了多种向量距离计算函数，可在自定义的Painless脚本中直接使用，用以构建灵活的重打分公式。

查询示例如下：

POST my_index/_search
{
  "size": 10,
  "query": {
    "script_score": {
      "query": {
        "match_all": {}
      },
      "script": {
        "source": "1 / (1 + euclidean(params.vector, doc[params.field]))",
        "params": {
          "field": "my_vector",
          "vector": [1, 2]
        }
      }
    }
  }
}