概述

向量檢索（Vector Search）是OpenSearch 的高級功能，它允許用戶在高維向量空間中進行相似性搜索。這一功能不僅基于傳統的關鍵詞匹配，還支持通過向量表示的方式來處理更復雜的查詢場景，例如自然語言處理、推薦系統和計算機視覺等。

天翼云云搜索服務開通的OpenSearch集群通過集成近似最近鄰（ANN）搜索算法，確保在大規模數據集上實現高效、精準的向量檢索，使用戶可以快速找到與查詢向量最相似的結果。

前提條件

• 已開通天翼云云搜索服務OpenSearch 集群。
• OpenSearch 版本支持KNN向量檢索功能（當前版本默認支持）。
• 本地環境已配置好API訪問權限，且能夠通過 API 與集群通信。

操作步驟

1. 創建支持向量檢索的索引。在OpenSearch中，可以通過以下命令創建一個啟用了KNN功能的索引，用于向量檢索：

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
      }
    }
  }
}

• knn: 設置為 true 以啟用向量檢索功能。
• dimension: 指定向量的維度，這里設置為 3。

2. 插入向量數據。創建好索引后，可以通過以下命令插入具有向量字段的數據：

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]
}

3. 執行向量檢索查詢。數據插入完成后，可以通過向量進行檢索。以下是一個查詢示例，它將基于向量 [0.5, 0.8, 0.3] 進行KNN搜索，并返回最相似的2條記錄：

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

• vector: 要進行相似性檢索的向量值。
• k: 返回與查詢向量最相似的k個結果，此例中為2。

4. 查詢返回結果示例。以下為檢索后的返回結果，其中包含與查詢向量最相似的數據文檔及其相似度得分（_score）：

{
  "took" : 200,
  "timed_out" : false,
  "_shards" : {
    "total" : 1,
    "successful" : 1,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : {
      "value" : 3,
      "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]
        }
      }
    ]
  }
}

通過這些步驟，用戶可以在OpenSearch集群中輕松實現基于向量的相似性搜索功能，支持高效處理海量數據并提升搜索體驗。