【Elasticsearch】-dense_vector与hnsw的含义

在Elasticsearch7.12 以后的版本，开始支持向量检索。

通常新增一个向量索引字段定义参数如下：

{
  "mappings": {
    "properties": {
      // 索引字段名
      "image_vector": {
        // 声明字段类型
        "type": "dense_vector",
        "dims": 512,
        "index": true,
        // 相似性计算类型
        "similarity": "dot_product",
        "index_options": {
          "type": "hnsw",
          "m": 16,
          "efConstruction": 100
        }
      }
    }
  }
}

其中的type=dense_vector 是 Elasticsearch 中用于定义字段类型的一种设置，表示该字段存储的是 高维稠密向量。这些向量通常用于机器学习或深度学习的应用，例如图片相似度检索、推荐系统、自然语言处理中的文本嵌入等。

附加java代码调用过程

import co.elastic.clients.elasticsearch.ElasticsearchClient;
import co.elastic.clients.elasticsearch._types.mapping.Property;
import co.elastic.clients.elasticsearch._types.mapping.TypeMapping;
import co.elastic.clients.elasticsearch.indices.Alias;
import co.elastic.clients.elasticsearch.indices.CreateIndexRequest;
import co.elastic.clients.elasticsearch.indices.CreateIndexResponse;
import co.elastic.clients.elasticsearch.indices.ExistsRequest;


CreateIndexResponse response = null;
        try {

            TypeMapping.Builder tmBuilder = new TypeMapping.Builder();

            // 图片相似检索，采用点积运算  文本相似采用余线相似
            tmBuilder.properties(VECTOR_FIELD, new Property.Builder().denseVector(builder -> builder.index(true)
                    .dims(DIM).similarity("dot_product")
                    .indexOptions(opBuilder -> opBuilder.type("hnsw").m(12).efConstruction(100))).build());

            tmBuilder.properties(TEXT_FIELD, new Property.Builder().denseVector(builder -> builder.index(true)
                    .dims(DIM).similarity("cosine_similarity")
                    .indexOptions(opBuilder -> opBuilder.type("hnsw").m(12).efConstruction(100))).build());


            TypeMapping typeMapping = tmBuilder.build();

            CreateIndexRequest request = CreateIndexRequest.of(builder -> builder.index(indexName)
                    .aliases(indexName + "_alias", new Alias.Builder().isWriteIndex(true).build())
                    .mappings(typeMapping));

            response = esClient.indices().create(request);

            log.info("acknowledged: {}", response.acknowledged());
            log.info("index: {}", response.index());
            log.info("shardsAcknowledged: {}", response.shardsAcknowledged());

            flag = response.acknowledged();
        } catch (IOException e) {
            e.printStackTrace();
        }

`1、HNSW`

Hierarchical Navigable Small World

定义 : HNSW 是一种近似最近邻搜索（ANN）算法，在大规模高维向量空间中，提供高效的向量相似性搜索。
功能: 它是为了解决在高维向量数据中进行相似性搜索时的性能问题。HNSW 通过构建一个分层图结构，以较低的时间复杂度提供近似最近邻搜索，避免了线性搜索的高成本。
原理: HNSW 构建了一个层次化的邻居图，向量数据会分层存储。每一层都有一部分数据点，数据点之间通过边相互连接，构成一个导航小世界结构。通过在该图上搜索，可以高效地找到目标向量的近似最近邻。
使用场景: 当你有大量向量数据（如数百万张图片、文本的嵌入向量等），希望进行高效的相似性检索时，可以启用 HNSW 索引来提高查询速度。

配置 HNSW 搜索时，会设置如 m 和 efConstruction 等参数来调整图的稠密度和搜索深度：

1.1、参数说明

m 参数：
- 作用：控制 HNSW 图中每个节点的近邻连接数量。m 越大，每个节点有更多的连接，图的稠密度增加。
- 影响：
  - 较大的 m 值：会增加内存占用和索引构建时间，但搜索精度更高，因为每个节点连接了更多的近邻，搜索的路径选择更多。
  - 较小的 m 值：减少内存使用和索引构建时间，但可能导致搜索精度下降。
- 推荐值：对于大多数场景，推荐将 m 设置为 12~48，这是典型的范围。
  - 小规模数据集可以尝试较小的 m 值，例如 12。
  - 对于大规模、高维向量，使用较大的 m，例如 32~48，可以提高搜索精度。
efConstruction 参数：
- 作用：控制在索引构建阶段的搜索深度。efConstruction 越大，HNSW 图的质量越高，因为在构建过程中搜索更多的候选近邻节点进行连接。
- 影响：
  - 较大的 efConstruction 值：构建索引时更慢，消耗更多资源，但图结构质量更高，搜索时精度更好。
  - 较小的 efConstruction 值：构建索引时更快，内存消耗更少，但可能会导致索引质量下降，从而影响搜索精度。
- 推荐值：通常将 efConstruction 设置为 100~500。
  - 对于高精度需求，可以选择 200~500，但会增加索引构建时间。
  - 对于低内存和构建时间敏感的场景，可以使用较小的值（如 100）。

1.2、设置参数的建议

小数据集（< 10 万条向量）：
- m: 12~16
- efConstruction: 100~200
- 在小数据集场景中，较小的 m 和 efConstruction 值可以提供足够的搜索精度，并且在内存消耗和构建时间上更为高效。
中等规模数据集（10 万 ~ 100 万条向量）：
- m: 16~32
- efConstruction: 200~300
- 中等规模数据集通常要求较好的精度，但内存和构建时间也需要控制，适中的 m 和 efConstruction 值可以提供较好的平衡。
大数据集（> 100 万条向量）：
- m: 32~48
- efConstruction: 300~500
- 大规模数据集通常需要较高的搜索精度，尤其是在向量维度高（如 512 或 2048 维）时。较大的 m 值和 efConstruction 可以构建高质量的索引，但会消耗更多内存和时间。

1.3、调优策略

初始设置：
- 开始时可以将 m 设置为 16，efConstruction 设置为 200，这是一种比较中性的选择。
根据实际情况调整：
1. 如果精度不够：提高 m 和 efConstruction 值，尤其是 m 值。
2. 如果内存占用过高：降低 m 值。通常 m 对内存影响较大。
3. 如果索引构建时间过长：降低 efConstruction 值。构建时间和内存开销与该参数密切相关。
m 控制图的稠密度：影响内存消耗和搜索精度，值越大，图的连接更稠密，搜索精度更高，但内存消耗更大。
efConstruction 控制索引构建阶段的搜索深度：影响索引构建时间和图的质量，值越大，索引质量更好，但构建时间和资源消耗更多。

2、相似性度量方式

在选择相似性度量方式时，余弦相似度 （Cosine Similarity）和点积（Dot Product）是常用的两种方法。具体使用哪种方式取决于应用场景和数据的特性。下面从多个角度分析这两种方法的优劣。

2.1、余弦相似度（Cosine Similarity）

余弦相似度用于衡量两个向量之间的夹角，而不关注它们的长度。

其值范围在 -1 和 1 之间，1 表示两个向量方向相同，0 表示正交，-1 表示方向相反。

优点：

适用于归一化数据：如果数据已经归一化，或者不关注向量的大小（例如，文本嵌入向量），余弦相似度是理想选择。
对长度不敏感：它忽略了向量的绝对大小，仅关注向量的方向，适用于长度差异较大的向量。
标准化检索：在比较文档、句子等相似性时，余弦相似度常用于 NLP（自然语言处理）等场景。

缺点：

无法区分向量长度：如果向量的大小（长度）在你的应用中有重要意义，余弦相似度可能不适用。
高维时效率低：在非常高维的情况下，计算余弦相似度可能相对较慢。

适用场景：

自然语言处理（NLP）：比如文本嵌入的比较。
无需考虑向量的长度或幅度时，关注向量的方向一致性。

2.2、点积（Dot Product）

点积计算的是两个向量的标量积。与余弦相似度不同，点积会同时考虑向量的大小和方向。

优点：

计算简单：点积计算简单，尤其适用于向量的相似性比较，特别是在机器学习模型输出的向量表示中。
考虑向量的大小：在某些应用中（例如图像检索、推荐系统），向量的大小可能是关键因素，此时点积可以更好地反映相似性。
高效的计算：相比余弦相似度，点积的计算开销更低，因此在大规模检索系统中性能更好。

缺点：

敏感于向量大小：如果向量的幅度差异较大，点积可能会给出误导性的结果。对于未经归一化的数据，点积结果会受到向量长度的强烈影响。
正值偏差：点积结果为正数的向量通常被认为更相似，即使它们的方向可能不同。

适用场景：

图片相似性搜索：点积在图像向量相似性比较中表现良好，尤其是当向量的大小有意义时。
推荐系统：在考虑用户和项目的特征向量大小时，点积可以提供更准确的相似度评估。

选择的建议

根据不同的应用场景和向量特性，选择适合的相似度度量方式：

余弦相似度适用于以下场景：
- 当向量的大小无关紧要，且只关注方向一致性。
- 文本嵌入和自然语言处理中的语义相似性计算。
- 对于归一化后的向量（例如长度为 1 的向量），余弦相似度是首选。
点积适用于以下场景：
- 当向量的大小与相似性有直接关系（例如图像特征向量）。
- 在需要高效计算且关注向量大小和方向的情况下。
- 在推荐系统、图片相似性检索等场景中表现更好。