语义搜索

Elastic Stack Serverless

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。

在概述页面中了解有关 AI 驱动的搜索的更多用例。

您有多种选项可以使用 NLP 模型在 Elastic Stack 中进行语义搜索

• 选项 1：使用 semantic_text 工作流程（推荐）
• 选项 2：使用推理 API 工作流程
• 选项 3：直接在 Elasticsearch 中部署模型

此图总结了每个工作流程的相对复杂性

×

在 Elastic Stack 中使用 NLP 模型的最简单方法是通过semantic_text 工作流程。我们建议使用这种方法，因为它抽象掉了许多手动工作。您所需要做的就是创建一个推理端点和一个索引映射来开始摄取、嵌入和查询数据。无需定义与模型相关的设置和参数，也无需创建推理摄取管道。有关支持的服务的更多信息，请参阅与第三方服务集成和推理 API文档。

有关端到端教程，请参阅使用 semantic_text 进行语义搜索。

推理 API 工作流程更复杂，但可以更好地控制推理端点配置。您需要创建一个推理端点，提供各种与模型相关的设置和参数，定义索引映射，并使用适当的设置设置推理摄取管道。

有关端到端教程，请参阅使用推理 API 进行语义搜索。

您也可以在 Elasticsearch 中手动部署 NLP，而无需使用推理端点。这是在 Elastic Stack 中执行语义搜索的最复杂和劳动密集型的工作流程。您需要从支持的密集和稀疏向量模型列表中选择一个 NLP 模型，使用 Eland 客户端部署它，创建一个索引映射，并设置一个合适的摄取管道以开始摄取和查询数据。

有关端到端教程，请参阅使用在 Elasticsearch 中部署的模型进行语义搜索。

• elasticsearch-labs 存储库包含许多交互式语义搜索示例，以可执行 Python 笔记本的形式，使用 Elasticsearch Python 客户端
• 使用模型部署工作流程通过 ELSER 进行语义搜索
• 使用 semantic_text 进行语义搜索

• Elasticsearch 新 semantic_text 映射：简化语义搜索
• semantic_text 的 GA 信息
• 推出 ELSER：Elastic 的语义搜索 AI 模型
• 如何通过 Elastic 的向量数据库获得词汇和 AI 驱动搜索的最佳效果
• 信息检索博客系列
  • 第 1 部分：改进搜索相关性的步骤
  • 第 2 部分：基准测试段落检索
  • 第 3 部分：介绍 Elastic Learned Sparse Encoder，我们的新检索模型
  • 第 4 部分：混合检索