什么是矢量搜索？

矢量嵌入是数据和相关上下文的数字化表示，存储在高维度（密集）矢量中。用于生成嵌入的模型可以使用数百万的示例进行训练后得到，可提供更相关也更准确的结果。在某些用例中，您收集或精心设计的为呈现文档关键特性的数值数据，可以作为嵌入来使用。您只需能够高效地进行搜索即可。

矢量搜索引擎的核心思想是，如果数据和文档相似，它们的矢量也会相似。使用矢量嵌入对查询和文档都完成索引后，您就可找到与您的查询最近邻相似的文档。

传统的最近邻算法（如 k 最近邻算法 (kNN)）会导致执行时间过长并占用计算资源。ANN 牺牲了完美准确性，以换取在高维度嵌入空间中实现大规模高效运行。

搜索任何非结构化的数据。您可以为文本、图像、音频或传感器测量值创建嵌入。

使用元数据筛选矢量搜索结果。通过应用与近似最近邻 (ANN) 搜索一致的筛选条件，在不牺牲速度的情况下保持查全率。

矢量相似度可以解释为相似度分数，您可以结合其他数据对该分数重新排序。这包括矢量搜索数据库中已有的静态字段，以及应用 Machine Learning 模型获得的新属性。

为了进一步优化，您可以将矢量相似度与 BM25F 评分相结合，这称为混合评分。使用混合评分，可让您在实现 BM25F 的同时按矢量相似度对图像进行排序，从而提供更好的文本排名。

Elastic Learned Sparse Encoder 提供了高度相关的开箱即用型语义搜索，且无需进行域适应。在配置搜索应用程序时，只需单击一下即可使用。该模型可使用相关的关键字和相关性分数扩展查询，这是它在训练过程中学到的技巧，因此您不必配置同义词，而且与稠密矢量嵌入不同，它们解读起来也很容易。

使用您的私有数据（不仅仅是公开训练的数据）为大型语言模型 (LLM) 提供特定业务的信息。使用 Elasticsearch，并通过与您所选 LLM 集成的 API 和插件访问生成式 AI。

您可以将自己的专有转换器模型引入 Elastic。或者，您也可以使用现成的模型，不必担心自己没有专业知识来训练模型。Elastic 支持 HuggingFace 模型中心和各种受支持的架构，例如 BERT、BART、ELECTRA 等。

了解如何使用 Elastic 为数据分配情感和其他类别。应用命名实体识别 (NER)，通过额外的元数据改善搜索体验。