简化 KNN 检索【翻译】Simplifying kNN search

简化 KNN 检索

#转载 #大数据/ES #翻译

这篇文章是关于如何简化 k 最近邻（k-Nearest Neighbors，简称 kNN）搜索的深入探讨。以下是对全文的翻译(借助 kimi AI)：

在这篇博客文章中，我们将深入探讨我们为使 kNN 搜索的入门体验更加轻松所做的努力！

向量搜索

向量搜索在 Elasticsearch 中已经可用了一段时间，通过使用新的专用 knn 搜索类型，同时我们也在 8.12.0 版本中将 kNN 作为查询引入（有关这个惊人的博客文章，我们最近发表了更多内容！）。

尽管每种方法的执行流程和应用有一些差异，但进行基本 kNN 检索的语法非常相似。因此，一个典型的 knn 搜索请求看起来像这样：

json 复制代码

GET products/_search
{
   "knn": {
      "field": "my_vector",
      "query_vector": [1, 2, 3],
      "k": 5,
      "num_candidates": 10
   }
}

前几个参数非常直观：我们指定数据存储的位置（field）和我们想要比较的内容（query_vector）。

另一方面，k 和 num_candidates 参数则有点晦涩，需要一些理解才能进行微调。它们特定于我们使用的算法和数据结构，即 HNSW（层次导航小世界），主要存在是为了控制我们想要执行的图形探索量。

Elasticsearch 文档是搜索相关所有事物的绝佳资源，所以查看 knn 部分，我们有：

k：作为顶级命中返回的最近邻居的数量。这个值必须小于 num_candidates。

num_candidates → 在每个分片上考虑的最近邻居候选数。需要大于 k，或者如果省略了 k，则不能超过 size，并且不能超过 10,000。Elasticsearch 从每个分片收集 num_candidates 结果，然后将它们合并以找到前 k 个结果。增加 num_candidates 往往会提高最终 k 结果的准确性。

然而，当您第一次遇到类似这样的情况时，这些值应该是多少并不明显，正确配置它们可能是一个挑战。这些值越大，我们将探索的向量就越多，但这将带来性能成本。我们再次面临准确性与性能之间的永恒权衡。

为了使 kNN 搜索更加简单和直观，我们决定使这些参数成为可选的，这样您只需要提供您想要搜索的位置和内容，如果确实需要，您可以调整它们。虽然看似一个相当小的变化，但它使事情变得更加清晰！因此，上述查询现在可以简单地重写为：

json 复制代码

GET products/_search
{
   "knn": {
      "field": "my_vector",
      "query_vector": [1, 2, 3]
   }
}

使 `k` 和 `num_candidates` 成为可选的

所以我们希望使 k 和 num_candidates 成为可选的。太好了！我们应该如何设置默认值呢？

有两种选择。选择一个看起来像是个好选项的，发布它，然后希望最好的结果，或者做艰苦的工作并进行广泛的评估，让数据驱动我们的决策。在 Elastic，我们喜欢这样的挑战，并希望确保任何决策都是有理由的，并且是出于好的原因！

正如我们上面提到的，kNN 搜索的 k 是每个分片返回的结果数量，所以一个明显的默认值就是使用 size。因此，每个分片将返回 size 个结果，我们将合并并排序它们以找到全局前 size 个结果。这也与没有 k 参数的 kNN 查询很好地配合，而是根据请求的 size 操作（记住，knn 查询的行为就像任何其他查询，如 term、prefix 等）。所以，size 似乎是一个合理的默认值，可以涵盖大多数用例（或者至少在入门体验中足够好！）。

另一方面，num_candidates 则有些不同。此参数特定于 HNSW 算法，并控制我们要考虑的最近邻居队列的大小（对于好奇的人：这相当于原始论文中的 ef 参数）。

我们可以考虑采取多种方法：

我们可以考虑到每个图的大小，并设计一个函数来计算 N 个索引向量的适当 num_candidates
我们可以查看底层数据分布，并尝试估计所需的探索（也许还考虑 HNSW 的入口点）
我们可以假设 num_candidates 与索引数据没有直接关系，而是与搜索请求有关，并确保我们进行所需的探索以提供足够好的结果。

作为开始，并保持事情简单，我们研究了将 num_candidates 值相对于 k（或 size）进行设置。因此，您实际想要检索的结果越多，我们在每个图上执行的探索就越多，以确保我们从局部最小值中逃脱。我们将重点关注的候选选项如下：

num_candidates = k
num_candidates = 1.5 * k
num_candidates = 2 * k
num_candidates = 3 * k
num_candidates = 4 * k
num_candidates = Math.max(100, k)

值得注意的是，最初考虑了更多的替代方案，但更高的值几乎没有带来好处，因此在博客的其余部分，我们将主要关注上述内容。

有了一组 num_candidates 候选项（没有双关语！），我们现在专注于 k 参数。我们选择同时考虑标准搜索和非常大的 k 值（以查看我们执行的探索的实际影响）。因此，我们决定更关注以下值：

k = 10（用于没有指定 size 的请求）
k = 20
k = 50
k = 100
k = 500
k = 1000

数据

由于没有一种解决方案适用于所有情况，我们希望测试具有不同属性的不同数据集。因此，不同的总向量数量、维度，以及由不同模型生成，因此具有不同的数据分布。

同时，我们有 rally，这是一个用于基准测试 Elasticsearch 的很棒的工具（https://github.com/elastic/rally），它支持运行一堆查询并提取多个向量数据集的指标。在 Elastic，我们广泛使用 rally，并依赖它进行我们所有的夜间基准测试，您可以在这里查看！

在 rally 上运行基准测试就像运行以下命令一样简单：

shell 复制代码

pip3 install esrally && esrally race --track=dense-vector

为此，我们略微修改了赛道（即 rally 的测试场景），以包含额外的指标配置，添加了一些新的，最终得到了以下赛道集：

dense-vector（200 万文档，96 维）：https://github.com/elastic/rally-tracks/tree/master/dense_vector
so-vector（200 万文档，768 维）：https://github.com/elastic/rally-tracks/tree/master/so_vector
cohere-vector（300 万文档，768 维）：https://github.com/elastic/rally-tracks/tree/master/cohere_vector
openai-vector（250 万文档，1536 维）：https://github.com/elastic/rally-tracks/tree/master/openai_vector
Glove 200d（120 万，200 维）基于https://github.com/erikbern/ann-benchmarks repo 创建的新赛道

同样值得注意的是，对于前几个数据集，我们还想考虑有一个与多个段的情况，因此我们包含了每种的两个变体，

一个我们执行 force_merge 并拥有单个段，
一个我们依赖底层的 MergeScheduler 来做它的魔法，最终得到它认为合适的段数。

指标

对于上述每个赛道，我们计算了标准的召回率和精确度指标、延迟，以及通过报告我们访问的节点来实际探索的图形。前几个指标是针对真正的最近邻居评估的，因为在我们的场景中，这是黄金标准数据集（记住，我们正在评估近似搜索的质量，而不是向量本身的质量）。nodes_visited 属性最近已添加到 knn 的配置文件输出中（https://github.com/elastic/elasticsearch/pull/102032），因此，通过对赛道定义进行一些微小的更改以提取所有所需的指标，我们应该可以开始了！

开始实际工作

现在我们知道了我们想要测试的内容、要使用的数据集以及如何评估结果，是时候实际运行基准测试了！

为了有一个标准化的环境，对于每个测试，我们使用了一个干净的 n2-standard-8（8 vCPU，4核，32 GB内存） 云节点。Elasticsearch 配置以及所需的映射和所有其他内容都通过 rally 配置和部署，因此对于所有类似测试都是一致的。

上述每个数据集都执行了多次，收集了所有候选集定义的所有可用指标，确保结果不是一次性的。

结果

每个指定数据集和参数组合的召回率-延迟图可以在下面找到（越高越向左越好，延迟以毫秒为单位测量）：

针对dense_vector 和openai_vector赛道的绝对延迟@50 th 百分位值和召回率值如下：

类似地，每个场景下 HNSW 图形节点访问的 99 th 百分位数可以在下面找到（越小越好）：

少即是多*

*嗯，在所有情况下都不是这样，但嘿 😃

从结果来看，有两点比较突出：

一个分段与多个分段明显成反比地影响召回率和延迟指标。分段越少，延迟就越短（因为我们需要遍历的图更少，也就是需要运行的搜索更少），这固然很好，但它也会以相反的方式影响召回率，因为很有可能一些好的候选者会被遗漏（因为候选者列表数量更少）。

即使探索很少，我们也能在几乎所有情况下获得足够好的召回率，这非常好！

我们一直在努力改进多分段搜索（本文章中就有一个很好的例子），因此我们希望在今后的工作中，这种取舍将不再是一个问题（此处报告的数据不包括这些改进）。

考虑到所有因素，我们讨论的两个主要选项如下：

Num_candidates = 1.5 * k - 这在几乎所有情况下都能达到足够好的召回率，同时获得非常好的延迟分数。

Num_candidates = Math.Max (100, k)--这种方法的召回率稍高，尤其是在 k 值较低的情况下，但代价是增加了图形探索和延迟。

经过仔细考虑和（漫长的！）讨论，我们选择了前者作为默认设置，即设置 num_candidates = 1.5 * k。在我们测试的几乎所有情况下，我们需要做的探索工作要少得多，召回率也都超过了 90%（有些报告的数字还明显更高），这应该能带来足够好的上机体验。

结论

Elastic 处理 kNN 搜索的方式一直在不断发展，我们也在不断引入新功能并进行改进，因此这些参数和整体评估很可能很快就会过时！我们一直在关注这一变化，无论何时发生，我们都会确保跟进并适当调整我们的配置！

需要记住的重要一点是，这些值只是简化上架体验和非常通用的使用案例的合理默认值。人们可以在自己的数据集上轻松地进行实验，并根据自己的需求进行相应的调整（例如，在某些情况下，召回可能比延迟更重要）。

调优愉快 😃

简化 KNN 检索【翻译】Simplifying kNN search