网站到期时间,iphone手机网站建设,从WordPress源码恢复,公司介绍网站模板问题陈述
在信息过载的时代#xff0c;根据上下文含义和用户意图而不是精确的关键字匹配来查找相关搜索结果已成为一项重大挑战。 传统的搜索引擎通常无法理解用户查询的语义上下文#xff0c;从而导致相关性较低的结果。 解决方案#xff1a;ELSER
Elastic 通过其检索模型… 问题陈述
在信息过载的时代根据上下文含义和用户意图而不是精确的关键字匹配来查找相关搜索结果已成为一项重大挑战。 传统的搜索引擎通常无法理解用户查询的语义上下文从而导致相关性较低的结果。 解决方案ELSER
Elastic 通过其检索模型 Elastic Learned Sparse EncodeR (ELSER) 引入了该问题的解决方案。 ELSER 是由 Elastic 训练的检索模型使你能够执行语义搜索以检索更相关的搜索结果。 此搜索类型为你提供基于上下文含义和用户意图的搜索结果而不是精确的关键字匹配。
ELSER 是一种域外out-of-domain模型这意味着它不需要对你自己的数据进行微调使其能够开箱即用地适应各种用例。 它将索引和搜索的段落扩展为术语集合这些术语在不同的训练数据集中经常同时出现。 这些扩展术语不是搜索术语的同义词 他们是 learned association。 架构
ELSER 使用 Elasticsearch 排名 rank-feature 类型在索引时存储术语和权重并在以后进行搜索。 要使用 ELSER你必须具有适当的语义搜索订阅级别或激活试用期。更多关于订阅的信息请参阅网站 订阅 | Elastic Stack 产品和支持 | Elastic。
如果关闭部署自动扩展则 Elasticsearch Service 中用于部署和使用 ELSER 模型的最小专用 ML 节点大小为 4 GB。 建议打开自动缩放因为它允许你的部署根据需求动态调整资源。 KNN 与 ELSER
Elasticsearch 的 k 最近邻 (KNN) 搜索和 ELSER (Elastic Learned Sparse EncodeR) 都提供强大的搜索功能但它们是针对不同类型的搜索任务而设计的并且以根本不同的方式工作。 Elasticsearch 中的 KNN 搜索
Elasticsearch 中的 KNN 搜索功能使你能够在高维空间中查找给定向量的 “最近邻居nearest neigbors”。 这对于图像搜索、产品推荐和异常检测等用例特别有用在这些用例中你可以将项目表示为矢量并且希望查找矢量空间中相似的其他项目。
KNN 搜索的工作原理是对每个矢量进行索引然后使用距离函数例如 Euclidean 距离或余弦相似度来查找最接近给定向量的向量。 这是相似性搜索的一种形式其目标是查找与给定项目相似的项目。 Elasticsearch 中的 ELSER
另一方面ELSER 是由 Elastic 训练的检索模型使你能够执行语义搜索以检索更相关的搜索结果。 此搜索类型为您提供基于上下文含义和用户意图的搜索结果而不是精确的关键字匹配。
ELSER 是一种域外out-of-domain模型这意味着它不需要对你自己的数据进行微调使其能够开箱即用地适应各种用例。 它将索引和搜索的段落扩展为术语集合这些术语在不同的训练数据集中经常同时出现。 这些扩展术语不是搜索术语的同义词 他们是 learned association。 比较
虽然 KNN 和 ELSER 都可用于提高搜索结果的相关性但它们是针对不同类型的数据和用例而设计的。 KNN 最适合以下用例你可以将条目表示为矢量并且你希望根据其矢量表示找到相似的条目。 另一方面ELSER 专为你想要查找与给定查询语义相关的搜索结果的用例而设计即使它们不共享精确的关键字匹配。
在性能方面KNN 搜索可能是计算密集型的尤其是在高维空间中并且可能需要大量资源来提供快速搜索结果。 另一方面ELSER 使用学习模型来扩展搜索词这可以更有效但可能需要合适的订阅级别或试用期激活。
总之KNN 和 ELSER 之间的选择取决于您的用例的具体要求和数据的性质。 代码示例
在 Kibana 中你可以从 Machine Learning Trained Models、Enterprise Search Indices 或使用开发控制台下载和部署 ELSER。你可以参考文章 “Elasticsearch部署 ELSER - Elastic Learned Sparse EncoderR” 来在自己的电脑上部署 ELSER 模型。 使用开发控制台
在 Kibana 中导航到开发控制台并通过运行以下 API 调用来创建 ELSER 模型配置
PUT _ml/trained_models/.elser_model_1
{input: {field_names: [text_field]}
}
上述命令返回
{model_id: .elser_model_1,model_type: pytorch,model_package: {packaged_model_id: elser_model_1,model_repository: https://ml-models.elastic.co,minimum_version: 8.8.0,size: 438123276,sha256: 95f645a3ab8dc66a33de7892391a41ef4fc609a74d21d7b3f7fdd973d58dfe06,metadata: {},tags: [],vocabulary_file: elser_model_1.vocab.json},created_by: api_user,version: 8.8.2,create_time: 1690432777746,model_size_bytes: 0,estimated_operations: 0,license_level: platinum,description: Elastic Learned Sparse EncodeR v1 (Tech Preview),tags: [elastic],metadata: {},input: {field_names: [text_field]},inference_config: {text_expansion: {vocabulary: {index: .ml-inference-native-000001},tokenization: {bert: {do_lower_case: true,with_special_tokens: true,max_sequence_length: 512,truncate: first,span: -1}}}},location: {index: {name: .ml-inference-native-000001}}
}
使用带有部署 ID 的启动训练模型 deployment API 来部署模型
POST _ml/trained_models/.elser_model_1/deployment/_start?deployment_idfor_search
上述命令返回
{assignment: {task_parameters: {model_id: .elser_model_1,deployment_id: for_search,model_bytes: 438123276,threads_per_allocation: 1,number_of_allocations: 1,queue_capacity: 1024,cache_size: 438123276b,priority: normal},routing_table: {Gbl69vadQgK1nOqxUT8LaQ: {current_allocations: 1,target_allocations: 1,routing_state: started,reason: }},assignment_state: started,start_time: 2023-07-27T04:40:19.531125Z,max_assigned_allocations: 1}
}
部署完成后我们可以通过 Kibana 来查看部署的结果 ELSER 就可以在摄取管道或 text_expansion 查询中使用来执行语义搜索。
在摄取管道中使用 ELSER
PUT _ingest/pipeline/my_pipeline
{description: ELSER pipeline,processors: [{inference: {model_id: .elser_model_1,target_field: ml,field_map: {},inference_config: {text_expansion: {results_field: tokens}}}}]
}
使用管道索引文档。设置管道后你可以使用它索引文档
PUT my_index
{mappings: {properties: {ml.tokens: {type: rank_features },text_field: {type: text }}}
}PUT my_index/_doc/1?pipelinemy_pipeline
{text_field: This is a sample document for ELSER.
}PUT my_index/_doc/2?pipelinemy_pipeline
{text_field: Elastic is a great company
}
最后你可以使用匹配查询来查询索引文档
GET my_index/_search
{_source:false,fields: [text_field], query: {text_expansion: {ml.tokens: {model_id: .elser_model_1,model_text: Sample}}}
}
上面的搜索结果为
{took: 5,timed_out: false,_shards: {total: 1,successful: 1,skipped: 0,failed: 0},hits: {total: {value: 2,relation: eq},max_score: 5.2040906,hits: [{_index: my_index,_id: 1,_score: 5.2040906,fields: {text_field: [This is a sample document for ELSER.]}},{_index: my_index,_id: 2,_score: 0.028514616,fields: {text_field: [Elastic is a great company]}}]}
}
我们再做一次搜索
GET my_index/_search
{_source:false,fields: [text_field], query: {text_expansion: {ml.tokens: {model_id: .elser_model_1,model_text: Elastic Stack}}}
}
上面显示的结果为
{took: 73,timed_out: false,_shards: {total: 1,successful: 1,skipped: 0,failed: 0},hits: {total: {value: 1,relation: eq},max_score: 13.001609,hits: [{_index: my_index,_id: 2,_score: 13.001609,fields: {text_field: [Elastic is a great company]}}]}
}
我们再做一次搜索
GET my_index/_search
{_source:false,fields: [text_field], query: {text_expansion: {ml.tokens: {model_id: .elser_model_1,model_text: ELK}}}
}
上面的搜索结果为
{took: 48,timed_out: false,_shards: {total: 1,successful: 1,skipped: 0,failed: 0},hits: {total: {value: 1,relation: eq},max_score: 0.054624833,hits: [{_index: my_index,_id: 2,_score: 0.054624833,fields: {text_field: [Elastic is a great company]}}]}
}
最后一个搜索
GET my_index/_search
{_source:false,fields: [text_field], query: {text_expansion: {ml.tokens: {model_id: .elser_model_1,model_text: demo doc}}}
}
结果为
{took: 56,timed_out: false,_shards: {total: 1,successful: 1,skipped: 0,failed: 0},hits: {total: {value: 2,relation: eq},max_score: 4.6410522,hits: [{_index: my_index,_id: 1,_score: 4.6410522,fields: {text_field: [This is a sample document for ELSER.]}},{_index: my_index,_id: 2,_score: 0.09583376,fields: {text_field: [Elastic is a great company]}}]}
} 商业用例
ELSERElastic 的学习稀疏编码器可以有效地用于以语义理解和上下文相关性为关键的各种用例。 这里有一些例子
信息检索在大型数据库或文档存储库中ELSER 可用于检索与给定查询在语义上相关的文档即使它们不共享精确的关键字匹配。 这在精确的信息检索至关重要的法律、学术或企业环境中特别有用。电子商务搜索电子商务平台可以使用 ELSER 来改进其搜索功能。 当客户搜索产品时ELSER 可以根据搜索查询的语义上下文提供更相关的结果从而改善购物体验并有可能增加销售额。客户支持ELSER 可用于客户支持系统以更好地了解客户查询并提供更相关的解决方案。 例如客户描述问题的方式可能与支持数据库中的措辞不完全匹配。 ELSER 可以帮助弥合这一差距并找到最相关的支持文档。内容推荐媒体平台可以使用 ELSER 来推荐与用户正在查看或已经查看的内容在语义上相关的内容。 这可以通过提供更多符合用户兴趣的内容来帮助保持用户的参与度。社交媒体监控公司可以使用 ELSER 监控社交媒体并了解有关其品牌的讨论背景。 这可以提供有关客户情绪和新兴趋势的宝贵见解。语义 SEOSearch Engine OptimizationELSER 可用于理解 Web 内容的语义上下文并针对搜索引擎进行优化。 这可以通过将网站内容与相关搜索查询的语义上下文更紧密地结合起来帮助提高网站的搜索引擎排名。
