功能简介

支持向量检索（Vector Search）是搜索引擎的一个高级功能，它允许用户在高维向量空间中进行相似性搜索，而不仅仅是基于传统的关键词匹配。

向量检索的核心在于，它通过将文本、图像或其他数据转换为向量（即一组多维的数值表示），基于这些向量之间的距离来查找相似的项目。与传统的基于关键字的检索方法相比，向量检索更适合处理复杂的数据类型，如自然语言处理、推荐系统和计算机视觉等场景。

在搜索引擎中，支持向量检索的功能通过集成高效的向量索引结构（如近似最近邻搜索算法）实现。这使得搜索引擎能够在处理大规模数据集时，依然保持高效的查询速度和准确性。通过向量检索，用户可以在海量数据中快速找到与查询向量最相似的结果，从而提升搜索体验和应用的智能化水平。

天翼云云搜索服务提供的OpenSearch和Elasticsearch都可以支持向量检索能力。OpenSearch 2.19.1版本在向量检索能力上相比Elasticsearch 7.10.2（搭配早期OpenDistro插件）有明显提升。其内置的KNN插件持续演进，升级集成了更高版本的FAISS库，在构建索引速度、内存管理、查询性能等方面有较大优化。这些改进使得OpenSearch 2.19.1更适用于大规模、高并发的向量检索场景。

使用示例

以下是OpenSearch支持向量检索示例。

创建索引：

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条数据：

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]  
}

查询：

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

返回结果：

{
  "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
          ]
        }
      }
    ]
  }
}