【Elasticsearch】一文读懂ES向量搜索：原理剖析与技术全景

大家好，我是大任，今天给大家分享一下Elasticsearch的向量搜索技术

注：本文若未说明ES版本则为7.10，其他版本会特别标记，由于ES版本不同，部分差异较大，具体请以官方文档为准

一、向量搜索的核心原理

1.1 向量化表示的本质

现代AI技术将文本、图像等非结构化数据转化为高维向量（通常128-1024维），这些向量在数学空间中携带语义特征。如：

• 文本嵌入(Embedding)：BERT等模型生成768维向量
• 图像特征：ResNet提取2048维特征向量

1.2 向量搜索简介

向量搜索，简单来说，就是在向量空间中进行的搜索操作。在传统的文本搜索中，我们通常基于关键词进行匹配，这种方式对于精确匹配的场景效果较好，但在处理语义理解、模糊匹配等复杂场景时显得力不从心。而向量搜索则将文本、图像、音频等各种数据转化为向量表示，通过计算向量之间的相似度来进行搜索。这种方式能够更好地捕捉数据的语义信息，从而实现更精准、更智能的搜索。

例如，对于文本数据，我们可以使用词嵌入（Word Embedding）技术将每个单词映射为一个向量，然后将整个文本的向量表示为其包含单词向量的某种聚合（如平均、求和等）。在搜索时，将查询文本也转化为向量，通过计算查询向量与文档向量之间的相似度，找出与查询最相关的文档。

二、Elasticsearch两种核心向量搜索方式

Elasticsearch为了满足向量搜索的需求，在7.0版本新增了两个字段类型dense_vector 和 sparse_vector,分别是密集向量和稀疏向量，其中 sparse_vector在7.6中被弃用，在8.0-8.10版本中是没有该字段类型的。

2.1 近似kNN（HNSW算法）

在7.10版本中，没有该方式，因此按照2025/3/1最新版本8.17版本介绍.

k-nearest neighbor（kNN）搜索通过相似性度量所测量等算法查询向量最近的k个向量。

前置条件

要使用KNN搜索，首先必须要有dense_vector或 sparse_vector字段,这些字段的维度一定要和查询的维度相同，所以一定要确定好维度。关于向量，可以在Elasticsearch中使用自然语言处理（NLP）模型创建这些向量，或者在Elasticsearch外部生成它们，比如使用阿里云的向量模型API获取文本向量后赋值到搜索参数中。

1. 首先需要显式映射一个或多个dense_vector字段。

在8.0版中添加了对近似kNN搜索的支持。在此之前，dense_vector字段不支持在映射中启用索引。如果在8.0之前的版本创建了一个包含dense_vector字段的索引，那么为了支持近似kNN搜索，必须使用设置index：true（默认选项）的新字段映射重新索引数据。

PUT image-index
{
  "mappings": {
    "properties": {
      "image-vector": {
        "type": "dense_vector",
        "dims": 3,       //向量维度
        "index": true,   //8.0之前使用KNN搜索
        "similarity": "l2_norm"  //获取knn相似度的函数，不设置改值默认为cosine（余弦），且只能在index设置为true时指定
      },
      "title-vector": {
        "type": "dense_vector",
        "dims": 5,
        "similarity": "l2_norm"
      },
      "title": {
        "type": "text"
      },
      "file-type": {
        "type": "keyword"
      }
    }
  }
}

similarity的选择有（详情可看密集向量字段的参数）:

• l2_norm
• dot_product
• cosine
• max_inner_product

2. 创建数据

POST image-index/_bulk?refresh=true
{ "index": { "_id": "1" } }
{ "image-vector": [1, 5, -20], "title-vector": [12, 50, -10, 0, 1], "title": "moose family", "file-type": "jpg" }
{ "index": { "_id": "2" } }
{ "image-vector": [42, 8, -15], "title-vector": [25, 1, 4, -12, 2], "title": "alpine lake", "file-type": "png" }
{ "index": { "_id": "3" } }
{ "image-vector": [15, 11, 23], "title-vector": [1, 5, 25, 50, 20], "title": "full moon", "file-type": "jpg" }
...

3. 使用knn选项或knn查询

POST image-index/_search
{
  "knn": {
    "field": "image-vector",
    "query_vector": [-5, 9, -12],
    "k": 10, //查询的数量
    "num_candidates": 100
  },
  "fields": [ "title", "file-type" ]
}

4. 原理

为了收集结果，kNN搜索API在每个分片上找到num_candidates数量的近似最近邻候选。搜索计算这些候选向量与查询向量的相似度，选择k个最相似的结果。然后，搜索将来自 每个分片返回全局前k个最近邻向量。

可以增加num_candidates以获得更准确的结果，但代价是搜索速度变慢。num_candidates值比较较高的搜索 会从每个分片中考虑更多的候选者。会花费更多的时间，但也会提高搜索真正的k个最接近的向量的概率。

2.2精确暴力搜索

计算查询向量与所有过滤后的文档向量的余弦/欧式距离，保证100%召回率但计算成本高。使用精确KNN搜索的话，需要使用带有vector函数的script_score查询。

1. 首先需要显式映射一个或多个dense_vector字段。如果不打算将该字段使用近似kNN搜索，可以将索引映射选项设置为false。这可以显著提高索引速度。

PUT product-index
{
  "mappings": {
    "properties": {
      "product-vector": {
        "type": "dense_vector",
        "dims": 5,
        "index": false
      },
      "price": {
        "type": "long"
      }
    }
  }
}

2. 创建数据

POST product-index/_bulk?refresh=true
{ "index": { "_id": "1" } }
{ "product-vector": [230.0, 300.33, -34.8988, 15.555, -200.0], "price": 1599 }
{ "index": { "_id": "2" } }
{ "product-vector": [-0.5, 100.0, -13.0, 14.8, -156.0], "price": 799 }
{ "index": { "_id": "3" } }
{ "product-vector": [0.5, 111.3, -13.0, 14.8, -156.0], "price": 1099 }
...

3. 使用search API运行包含向量函数的script_score查询。
   向量函数的类型有：
   1. cosineSimilarity-计算余弦相似度
   2. dotProduct-计算点积
   3. l1 norm-计算L1距离
   4. Hamming-计算Hamming距离
   5. l2 norm-计算L2距离
   6. doc[<field>].vectorValue-以浮点数组的形式返回向量的值
   7. doc[<field>].magnitude-返回向量的大小
      接下来以cosineSimilarity为例，这是一个通过计算两个向量的余弦大小来判断向量相似度的函数。我们通过传入的参数向量queryVector,这个名称是自定义的，但是需要与source的脚本中params.queryVector一致,下面方法将会查询所有文档

POST product-index/_search
{
  "query": {
    "script_score": {
      "query" : {
        "match_all" : {}
       },
      "script": {
        "source": "cosineSimilarity(params.queryVector, 'product-vector') + 1.0",
        "params": {
          "queryVector": [-0.5, 90.0, -10, 14.8, -156.0]
        }
      }
    }
  }
}

但是使用match_all查询来全量匹配所有文档会显著增加搜索延迟，为了限制传递给vector函数的匹配文档的数量，可以在script_score.query参数中指定一个过滤查询。例如下面示例：

POST product-index/_search
{
  "query": {
    "script_score": {
      "query" : {
        "bool" : {
          "filter" : {
            "range" : {
              "price" : {
                "gte": 1000
              }
            }
          }
        }
      },
      "script": {
        "source": "cosineSimilarity(params.queryVector, 'product-vector') + 1.0",
        "params": {
          "queryVector": [-0.5, 90.0, -10, 14.8, -156.0]
        }
      }
    }
  }
}

2.3 两种搜索的对比

原理差异

• 精确暴力搜索：在进行搜索时，精确暴力搜索会遍历数据集中的每一个向量，逐一计算查询向量与它们之间的相似度（如欧几里得距离、余弦相似度等），然后根据相似度的大小对所有向量进行排序，最后选取最相似的k个向量作为结果返回。这种方法简单直接，能够保证搜索结果的精确性，但在数据量较大时，计算量会非常庞大。
• 近似 k - NN 搜索：近似 k - NN 搜索则采用了一些优化策略来减少计算量。例如，利用上述提到的 KD - Tree、HNSW 等索引结构，通过构建数据的层次化表示或图结构，在搜索时能够快速定位到可能包含相似向量的区域，而无需遍历整个数据集。以 HNSW 为例，它通过多层图结构，在高层图中快速跳过大量不相关的向量，仅在底层图中对局部区域进行更精确的搜索，从而在保证一定搜索精度的前提下，大大提高了搜索效率。

性能表现

• 搜索时间：精确暴力搜索的搜索时间与数据集的大小成正比，数据量越大，搜索时间越长。在大规模数据集上，搜索可能需要很长时间才能完成。而近似 k - NN 搜索借助索引结构，能够显著减少搜索过程中需要计算相似度的向量数量，搜索时间相对较短，尤其在处理海量数据时，优势更为明显。
• 内存使用：精确暴力搜索不需要额外的内存来存储索引结构，仅需存储数据集本身。然而，近似 k - NN 搜索需要构建和维护索引结构，这会占用额外的内存空间。例如，HNSW 索引在构建过程中会生成多层图结构，每个节点都需要存储一定的连接信息，因此会消耗更多的内存。

适用场景

• 精确暴力搜索：适用于数据集较小、对搜索结果的精确性要求极高且对搜索时间没有严格限制的场景。例如，在一些数据量有限的科研项目中，研究人员可能更关注搜索结果的准确性，而不太在意搜索时间，此时精确暴力搜索可以满足需求。
• 近似 k - NN 搜索：在实际应用中，尤其是面对大规模数据集时，近似 k - NN 搜索更为适用。例如，在图像搜索引擎中，可能需要处理数百万甚至数十亿张图像的向量数据，如果使用精确暴力搜索，搜索效率将极低。而近似 k - NN 搜索能够在较短的时间内返回近似最优的结果，满足用户对实时性的需求

1. 用精确搜索的情况

• 公司只有200份合同，需要100%确保找到所有相关文件
• 医疗诊断系统，不能容忍任何漏诊可能

2. 用近似搜索的情况

• 淘宝有10亿商品图片，用户想快速找到相似款衣服
• 抖音推荐视频，允许少量误差但要求毫秒级响应

精确的强力kNN保证了准确的结果，但无法很好地扩展大型数据集。如果必须要使用精确暴力搜索，您可以通过使用查询参数来限制传递给函数的匹配文档的数量。如果过滤数据到一个小的文档子集，就可以得到很好的搜索结果。

三、Elasticsearch支持的其他语义搜索方式

Elasticsearch使用自然语言处理（NLP）和向量搜索提供各种语义搜索功能。使用NLP模型使您能够从文本中提取文本嵌入。嵌入是提供文本的数字表示的向量。具有相似含义的内容片段具有相似的表示。

Elasticsearch中的semantic_text字段也支持语义文本搜索。在使用时只需要将文档的字段设置为semantic_text, 不需要指定如何为数据生成嵌入，或者如何对其进行索引。推理端点自动确定要使用的嵌入生成，索引和查询。

翻译 警告：此功能处于测试阶段，可能会发生变化。设计和代码不如官方GA功能成熟，并且按原样提供，没有任何保证。Beta版功能不受正式GA功能的支持SLA的限制。使用时需要注意风险

使用

1. 创建Index Mapping
   默认是使用预配置的.elser-2-elasticsearch端点，使用以下API请求设置semantic_text：

PUT semantic-embeddings
{
  "mappings": {
    "properties": {
      "content": {
        "type": "semantic_text"
        //"inference_id": "my-elser-endpoint", 默认是使用预配置的``.elser-2-elasticsearch``端点,也可以自己设置推理端点
      }
    }
  }
}

2. 加载数据
   将文档添加到索引时，Elasticsearch 会自动使用指定的推理端点计算嵌入，并将其存储在 semantic_text 字段中。您无需手动生成嵌入向量。以下是索引文档的示例：

PUT semantic-embeddings/_doc/1
{
  "content": "Elasticsearch 8.17 introduces semantic search capabilities."
}

3. 语义搜索

GET semantic-embeddings/_search
{
  "query": {
    "semantic": {
      "field": "content",
      "query": "如何在跑步时避免肌肉酸痛？"
    }
  }
}

使用嵌入丰富数据集之后，可以使用语义搜索查询数据。在语义查询类型中提供semantic_text字段名称和查询文本。用于为semantic_text字段生成嵌入的推理端点将用于处理查询文本。

通过上述步骤，您可以在 Elasticsearch 8.17 中利用 semantic_text 字段实现高效的语义搜索功能。该功能使搜索更加智能，能够理解查询的意图和上下文，从而提供更相关的搜索结果。

向量搜索典型应用场景

• 基于自然语言处理（NLP）算法的相关性排序
• 产品推荐和推荐引擎
• 图像或视频的相似性搜索