Elasticsearch：使用 Elasticsearch 进行词汇和语义搜索

作者：PRISCILLA PARODI

在这篇博文中，你将探索使用 Elasticsearch 检索信息的各种方法，特别关注文本：词汇 (lexical) 和语义搜索 (semantic search)。

使用 Elasticsearch 进行词汇和语义搜索

搜索是根据你的搜索查询或组合查询查找最相关信息的过程，相关搜索结果是与这些查询最匹配的文档。尽管存在与搜索相关的多种挑战和方法，但最终目标仍然相同，即找到问题的最佳答案。

考虑到这一目标，在这篇博文中，我们将探索使用 Elasticsearch 检索信息的不同方法，特别关注文本搜索：词汇和语义搜索。

先决条件

为了实现这一目标，我们将提供 Python 示例，演示在为模拟电子商务产品信息而生成的数据集上的各种搜索场景。

该数据集包含 2,500 多种产品，每种产品都有描述。这些产品分为 76 个不同的产品类别，每个类别包含不同数量的产品，如下所示：
树形图可视化 - category.keyword（产品类别）的前 22 个值

对于设置，你将需要：

Python 3.6 或更高版本
Elastic Python 客户端
Elastic 8.8 或更高版本部署，具有 8GB 内存机器学习节点
Elastic Learned Sparse EncodeR 模型已预加载到 Elastic 中并在你的部署中安装并启动

我们将使用 Elastic Cloud，可以免费试用。

除了本博文中提供的搜索查询之外，Python notebook 还将指导你完成以下过程：

使用 Python 客户端建立与我们的 Elastic 部署的连接
将文本嵌入模型加载到 Elasticsearch 集群中
使用用于索引特征向量和密集向量的映射创建索引。
使用推理处理器创建摄取管道以进行文本嵌入和文本扩展

词汇搜索 - 稀疏检索

Elasticsearch 基于文本查询对文档相关性进行排名的经典方式是使用 BM25 模型的 Lucene 实现，BM25 模型是一种用于词法搜索的稀疏模型 (sparse model for lexical search)。此方法遵循传统的文本搜索方法，寻找精确的术语匹配。

为了使这种搜索成为可能，Elasticsearch 通过执行文本分析将文本字段数据转换为可搜索的格式。

文本分析由分析器执行，分析器是一组规则，用于管理提取相关标记进行搜索的过程。分析器必须恰好有一个分词器。分词器接收字符流并将其分解为单独的标记（通常是单独的单词），如下例所示：

词汇搜索的字符串标记化

#Performs text analysis on a string and returns the resulting tokens.

# Define the text to be analyzed
text = "Comfortable furniture for a large balcony"

# Define the analyze request
request_body = {
  "analyzer": "standard",
  "text": text
}

# Perform the analyze request
response = client.indices.analyze(analyzer=request_body["analyzer"], text=request_body["text"])

# Extract and display the analyzed tokens
tokens = [token["token"] for token in response["tokens"]]
print("Analyzed Tokens:", tokens)

上述代码输出：

Analyzed Tokens: ['comfortable', 'furniture', 'for', 'a', 'large', 'balcony']

在此示例中，我们使用默认分析器，即标准分析器，它适用于大多数用例，因为它提供基于英语语法的分词化。标记化可以对各个术语进行匹配，但每个分词仍然按字面意思进行匹配。

如果你想个性化你的搜索体验，你可以选择不同的内置分析器。例如，通过更新代码以使用停止分析器，它将在任何非字母字符处将文本分解为标记，并支持删除停止词。

...
# Define the analyze request
request_body = {
  "analyzer": "stop",
  "text": text
}
...

上面的输出为：

Analyzed Tokens: ['comfortable', 'furniture', 'large', 'balcony']

当内置分析器不能满足你的需求时，你可以创建自定义分析器，它使用零个或多个字符过滤器、分词器和零个或多个 token 过滤器的适当组合。

"analyzer":  {

  "my_analyzer": {

    "type": "custom", #For custom analyzers, use a type of custom or omit the type parameter.

    "tokenizer": "standard", #Built-in or customized tokenizer

    "filter": ["lowercase", "synonym"] #Built-in or customized token filters
  }
}

在上面结合了分词器和分词过滤器的示例中，文本在被 synonym token filter 处理之前将被 lowercase filter 转为小写。

如果你想了解更多关于 analyzer 方面的知识，请参阅文章 "Elastic：开发者上手指南" 中的 "分词器介绍" 部分。

词汇匹配 - Lexical Matching

BM25 将根据术语的频率及其重要性来衡量文档与给定搜索查询的相关性。

下面的代码执行 match 查询，考虑 "ecommerce-search " 索引中的 "decription" 字段值和搜索查询 "Comfortable furniture for a large balcony""，搜索最多两个文档。

细化被视为与该查询匹配的文档的标准可以提高精度。然而，更具体的结果是以降低对变化的容忍度为代价的。

# BM25

response = client.search(size=2,
index="ecommerce-search",
query= {
  "match": {
    "description" : {  
      "query": "Comfortable furniture for a large balcony",
      "analyzer": "stop"
    }
  }
}
)

hits = response['hits']['hits']

if not hits:
  print("No matches found")

else:
  for hit in hits:
    score = hit['_score']
    product = hit['_source']['product']
    category = hit['_source']['category']
    description = hit['_source']['description']
    print(f"\nScore: {score}\nProduct: {product}\nCategory: {category}\nDescription: {description}\n")

输出为：

Score: 15.607948
Product: Barbie Dreamhouse
Category: Toys
Description: is a classic Barbie playset with multiple rooms, furniture, a large balcony, a pool, and accessories. It allows kids to create their dream Barbie world.

Score: 9.137739
Product: Comfortable Rocking Chair
Category: Indoor Furniture
Description: enjoy relaxing moments with this comfortable rocking chair. Its smooth motion and cushioned seat make it an ideal piece of furniture for unwinding.

通过分析输出，最相关的结果是 "Toys " 类别中的 "Barbie Dreamhouse " 产品，其描述高度相关，因为它包括术语 "furniture "、"large " 和 "balcony"，这是唯一在描述中包含 3 个术语与搜索查询相匹配的产品，该产品也是唯一在描述中包含术语"阳台"的产品。

第二个最相关的产品是归类为 "Indoor Furniture " 的 "Comfortable Rocking Chair "，其描述包括术语 "comfortable " 和 "furniture"。数据集中只有 3 个产品与此搜索查询的至少 2 个术语匹配，该产品就是其中之一。

"Comfortable " 出现在 105 个产品的描述中，"furniture " 出现在 4 个不同类别的 4 个产品的描述中：Toys , Indoor Furniture, Outdoor Furniture 和 "Cat Supplies & Toys"。

正如你所看到的，考虑到该查询，最相关的产品是玩具，第二相关的产品是室内家具。如果你想要有关分数计算的详细信息，以了解为什么这些文档是匹配的，你可以将 explain __query 参数设置为true。

尽管这两个结果都是最相关的结果，但考虑到该数据集中的文档数量和术语的出现次数，查询 "Comfortable Furniture for a Large Baladal" 背后的意图是搜索实际大阳台的家具，但是不包括其他，玩具和室内家具。

词汇搜索相对简单且快速 ，但它有局限性，因为在不一定知道用户的意图和查询的情况下，并不总是可能知道所有可能的术语和同义词。自然语言使用中的一个常见现象是词汇不匹配。研究表明，平均而言，80% 的情况下，不同的人（同一领域的专家）会对同一事物有不同的命名。

这些限制促使我们寻找其他包含语义知识的评分模型。基于 Transformer 的模型擅长处理自然语言等顺序输入标记，通过考虑文档和查询的数学表示来捕获搜索的潜在含义。这允许对文本进行密集的、上下文感知的向量表示，为语义搜索提供动力，这是一种查找相关内容的精细方法。

语义搜索-密集检索

在这种情况下，将数据转换为有意义的向量值后，将利用 k 最近邻 (kNN) 搜索算法来查找数据集中与查询向量最相似的向量表示。 Elasticsearch 支持两种 kNN 搜索方法：精确 brute--fource kNN 和近似 kNN（也称为 ANN）。

Brute-force kNN 可以保证准确的结果，但不能很好地适应大型数据集。近似 kNN 通过牺牲一些精度来提高性能，从而有效地找到近似最近邻。

借助 Lucene 对 kNN 搜索和密集向量索引的支持，Elasticsearch 充分利用了分层可导航小世界 (HNSW) 算法，该算法在各种 ANN 基准数据集上展示了强大的搜索性能。可以使用以下示例代码在 Python 中执行近似 kNN 搜索。

使用近似 kNN 进行语义搜索

# KNN - approximate kNN

response = client.search(index='ecommerce-search', size=2,
knn={
  "field": "description_vector.predicted_value",
  "k": 50, # Number of nearest neighbors to return as top hits.
#The optimal value of k is dependent on the data. It can vary in different scenarios.

  "num_candidates": 500, # Number of nearest neighbor candidates to consider per shard.

#Increasing num_candidates tends to improve the accuracy of the final k results.

  "query_vector_builder": { # Object indicating how to build a query_vector. kNN search enables you to perform semantic search by using a previously deployed text embedding model, the steps for this process are demonstrated in the Python notebook.
    "text_embedding": { 
      "model_id": "sentence-transformers__all-mpnet-base-v2", # Text embedding model id
      "model_text": "Comfortable furniture for a large balcony" # Query
    }
  }
}
)

for hit in response['hits']['hits']:
        
  score = hit['_score']
  product = hit['_source']['product']
  category = hit['_source']['category']
  description = hit['_source']['description']
  print(f"\nScore: {score}\nProduct: {product}\nCategory: {category}\nDescription: {description}\n")

考虑到产品数据集中 "description" 字段的嵌入，此代码块使用 Elasticsearch 的 kNN 返回最多两个产品，其描述类似于 "Comfortable furniture for a large balcony" 的向量化查询 (query_vector_build)。

产品嵌入先前是在摄取管道中生成的，其中包含 "all-mpnet-base-v2" 文本嵌入模型的推理处理器，用于推断管道中摄取的数据。

该模型是根据使用 "sentence_transformers.evaluation" 对预训练模型进行评估而选择的，其中在训练期间使用不同的类别来评估模型。根据 Sentence-Transformers 排名，"all-mpnet-base-v2" 模型展示了最佳的平均性能，并且还在大规模文本嵌入基准 (MTEB) 排行榜上获得了有利的位置。该模型预先训练了 microsoft/mpnet-base 模型并在 1B 句子对数据集上进行了微调，它将句子映射到 768 维密集向量空间。

或者，还有许多其他模型可供使用，特别是那些针对特定领域数据进行微调的模型。

上面代码的输出为：

Score: 0.79207325
Product: Patio Sofa Set with Ottoman
Category: Outdoor Furniture
Description: is a versatile and comfortable patio sofa set, including a sofa, ottoman, and coffee table, great for outdoor lounging.

Score: 0.7836937
Product: Patio Sofa Set with Canopy
Category: Outdoor Furniture
Description: is a luxurious and comfortable patio sofa set with a canopy, providing shade and style for outdoor lounging.

输出可能会根据所选模型、滤波器和近似 kNN 调整而有所不同。

kNN 搜索结果都属于 "Outdoor Furniture " 类别，尽管查询中没有明确提及 "outdoor"一词，这凸显了上下文中语义理解的重要性。

密集向量搜索具有以下几个优点：

启用语义搜索
处理非常大的数据集的可扩展性
灵活处理各种数据类型

然而，密集向量搜索也面临着其自身的挑战：

为你的用例选择正确的嵌入模型
选择模型后，可能需要微调模型以优化特定领域数据集的性能，这个过程需要领域专家的参与
此外，索引高维向量的计算成本可能很高

语义搜索 - 学习稀疏检索 (Learned Sparse Retrieval)

让我们探索另一种方法：学习稀疏检索，这是执行语义搜索的另一种方法。

作为稀疏模型，它利用 Elasticsearch 基于 Lucene 的倒排索引，该索引得益于数十年的优化。然而，这种方法不仅仅是简单地使用 BM25 等词汇评分函数添加同义词。相反，它使用更深入的语言规模知识来整合学习的关联，以优化相关性。

通过扩展搜索查询以包含原始查询中不存在的相关术语，Elastic Learned Sparse Encoder 改进了稀疏向量嵌入，如下面的示例所示。

使用 Elastic Learned Sparse Encoder 进行稀疏向量搜索

# Elastic Learned Sparse Encoder

response = client.search(index='ecommerce-search', size=2,
query={
  "text_expansion": {
    "ml.tokens": {
      "model_id":"elser_model",
      "model_text":"Comfortable furniture for a large balcony"                
    }
  }
}
)

for hit in response['hits']['hits']:

  score = hit['_score']
  product = hit['_source']['product']
  category = hit['_source']['category']
  description = hit['_source']['description']
  print(f"\nScore: {score}\nProduct: {product}\nCategory: {category}\nDescription: {description}\n")

输出：

Score: 14.405318
Product: Garden Lounge Set with Side Table
Category: Garden Furniture
Description: is a comfortable and stylish garden lounge set, including a sofa, chairs, and a side table for outdoor relaxation.

Score: 14.281318
Product: Rattan Patio Conversation Set
Category: Outdoor Furniture
Description: is a stylish and comfortable outdoor furniture set, including a sofa, two chairs, and a coffee table, all made of durable rattan material.

本例中的结果包括 "Garden Furniture " 类别，该类别提供与 "Outdoor Furniture" 非常相似的产品。

通过分析 "ml.tokens"（包含学习稀疏检索生成的标记的 "rank_features" 字段），很明显，在生成的各种标记中，有些术语虽然不是搜索查询的一部分，但在含义上仍然相关，例如 "relax "（comfortable）、"sofa "（furniture）和 "outdoor"（balcony）。

下图突出显示了查询旁边的一些术语，包括带或不带术语扩展的情况。

正如所观察到的，该模型提供了上下文感知搜索，有助于缓解词汇不匹配问题，同时提供更具可解释性的结果。当不应用特定领域的再训练时，它甚至可以超越密集向量模型。

混合搜索：结合词汇和语义搜索获得相关结果

就搜索而言，没有通用的解决方案。这些检索方法都有其优点，但也有其挑战。根据用例，最佳选项可能会发生变化。通常，不同检索方法的最佳结果可以是互补的。因此，为了提高相关性，我们将考虑结合每种方法的优点。

有多种方法可以实现混合搜索 (hybrid search)，包括线性组合、为每个分数赋予权重以及倒数排名融合（RRF），其中不需要指定权重。

Elasticsearch：词汇和语义搜索的两全其美

# BM25 + Elastic Learned Sparse Encoder (Linear Combination)

response = client.search(index='ecommerce-search', size=2,

query= {
  "bool": {
    "should": [
    {
      "match": {
        "description" : {  
          "query": "A dining table and comfortable chairs for a large balcony",
          "boost": 1
        }
      }
    },                   
    {
      "text_expansion": {
        "ml.tokens": {
          "model_id": "elser_model",
          "model_text": "A dining table and comfortable chairs for a large balcony",
          "boost": 1
        }
      }
     }
    ]
  }
}
)

# The boost value is 1 for the text expansion and match query. This means that the relevance score of the results of these queries are not boosted. You can specify a boost value to give a weight to each score in the sum. The scores will be calculated as: score = boost value * match_score + boost value * text_expansion_score

for hit in response['hits']['hits']:

  score = hit['_score']
  product = hit['_source']['product']
  category = hit['_source']['category']
  description = hit['_source']['description']
  print(f"\nScore: {score}\nProduct: {product}\nCategory: {category}\nDescription: {description}\n")

在此代码中，我们使用两个值为 "A dining table and comfortable chairs for a large balcony " 的查询执行混合搜索。我们没有使用 "furniture" 作为搜索词，而是指定我们要查找的内容，并且两个搜索都考虑相同的字段值 "description"。排名由 BM25 和 ELSER 分数等权重的线性组合确定。

输出：

Score: 31.628141
Product: Garden Dining Set with Swivel Rockers
Category: Garden Furniture
Description: is a functional and comfortable garden dining set, including a table and chairs with swivel rockers for easy movement.

Score: 31.334227
Product: Garden Dining Set with Swivel Chairs
Category: Garden Furniture
Description: is a functional and comfortable garden dining set, including a table and chairs with swivel seats for convenience.

在下面的代码中，我们将为查询使用相同的值，但使用倒数排名融合方法结合 BM25（查询参数）和 kNN（knn 参数）的分数来对文档进行组合和排名。

# BM25 + KNN (RRF)

response = client.search(index='ecommerce-search', size=2,
query={
  "bool": {
    "should": [
    {
      "match": {
        "description": {
        "query": "A dining table and comfortable chairs for a large balcony"
        }
      }
    }
    ]
  }
},
knn={
  "field": "description_vector.predicted_value",
  "k": 50,
  "num_candidates": 500,
  "query_vector_builder": {
    "text_embedding": {
      "model_id": "sentence-transformers__all-mpnet-base-v2",
      "model_text": "A dining table and comfortable chairs for a large balcony"
    }
  }
},
rank={
  "rrf": { # Reciprocal rank fusion
    "window_size": 50, # This value determines the size of the individual result sets per query.
    "rank_constant": 20 # This value determines how much influence documents in individual result sets per query have over the final ranked result set.
  }
}
)

for hit in response['hits']['hits']:
        
  rank = hit['_rank']
  category = hit['_source']['category']
  product = hit['_source']['product']
  description = hit['_source']['description']
  print(f"\nRank: {rank}\nProduct: {product}\nCategory: {category}\nDescription: {description}\n")

RRF 功能处于技术预览阶段。语法可能会在正式发布之前发生变化。

输出：

Rank: 1
Product: Patio Dining Set with Bench
Category: Outdoor Furniture
Description: is a spacious and functional patio dining set, including a dining table, chairs, and a bench for additional seating.

Rank: 2
Product: Garden Dining Set with Swivel Chairs
Category: Garden Furniture
Description: is a functional and comfortable garden dining set, including a table and chairs with swivel seats for convenience.

这里我们还可以使用不同的字段和值； Python notebook 中提供了其中一些示例。

正如你所看到的，使用 Elasticsearch，你可以两全其美：传统的词法搜索和向量搜索，无论是稀疏还是密集，都可以实现你的目标并找到问题的最佳答案。

如果你想继续了解此处提到的方法，这些博客可能会很有用：

Elasticsearch 提供向量数据库以及构建向量搜索所需的所有工具：

Elasticsearch向量数据库
Elastic 的向量搜索用例

结论：

在这篇博文中，我们探索了使用 Elasticsearch 检索信息的各种方法，特别关注文本、词汇和语义搜索。为了演示这一点，我们提供了 Python 示例，展示了使用包含电子商务产品信息的数据集的不同搜索场景。

我们回顾了 BM25 的经典词汇搜索，并讨论了它的优点和挑战，例如词汇不匹配。我们强调了结合语义知识来克服这个问题的重要性。此外，我们讨论了密集向量搜索，它支持语义搜索，并讨论了与这种检索方法相关的挑战，包括索引高维向量时的计算成本。

另一方面，我们提到稀疏向量的压缩效果非常好。因此，我们讨论了 Elastic 的学习稀疏编码器，它将搜索查询扩展为包含原始查询中不存在的相关术语。

在搜索方面，没有一种万能的解决方案。每种检索方法都有其优点和挑战。因此，我们还讨论了混合搜索的概念。

正如你所看到的，使用 Elasticsearch，你可以两全其美：传统的词法搜索和向量搜索！