语义查询
编辑语义查询
编辑此功能处于 Beta 阶段，可能会发生更改。其设计和代码不如正式 GA 功能成熟，并且按“原样”提供，不提供任何保证。Beta 功能不受正式 GA 功能的支持 SLA 约束。
semantic 查询类型允许您对存储在 semantic_text 字段中的数据执行语义搜索。
请求示例
编辑resp = client.search(
index="my-index-000001",
query={
"semantic": {
"field": "inference_field",
"query": "Best surfing places"
}
},
)
print(resp)
const response = await client.search({
index: "my-index-000001",
query: {
semantic: {
field: "inference_field",
query: "Best surfing places",
},
},
});
console.log(response);
GET my-index-000001/_search
{
"query": {
"semantic": {
"field": "inference_field",
"query": "Best surfing places"
}
}
}
semantic 的顶层参数
编辑-
field - （必需，字符串）要执行查询的
semantic_text字段。 -
query - （必需，字符串）要在该字段中搜索的查询文本。
请参阅此教程，了解有关使用 semantic_text 和 semantic 查询进行语义搜索的更多信息。
使用 semantic 查询进行混合搜索
编辑semantic 查询可以用作混合搜索的一部分，其中 semantic 查询与词法查询相结合。例如，以下查询查找 title 字段与“mountain lake”匹配的文档，并将其与在 title_semantic 字段（一个 semantic_text 字段）上进行的语义搜索结果结合起来。然后对组合的文档进行评分，并返回评分最高的 3 个文档。
resp = client.search(
index="my-index",
size=3,
query={
"bool": {
"should": [
{
"match": {
"title": {
"query": "mountain lake",
"boost": 1
}
}
},
{
"semantic": {
"field": "title_semantic",
"query": "mountain lake",
"boost": 2
}
}
]
}
},
)
print(resp)
const response = await client.search({
index: "my-index",
size: 3,
query: {
bool: {
should: [
{
match: {
title: {
query: "mountain lake",
boost: 1,
},
},
},
{
semantic: {
field: "title_semantic",
query: "mountain lake",
boost: 2,
},
},
],
},
},
});
console.log(response);
POST my-index/_search
{
"size" : 3,
"query": {
"bool": {
"should": [
{
"match": {
"title": {
"query": "mountain lake",
"boost": 1
}
}
},
{
"semantic": {
"field": "title_semantic",
"query": "mountain lake",
"boost": 2
}
}
]
}
}
}
您还可以将 semantic_text 用作倒数排名融合的一部分，以更轻松地对相关结果进行排名
resp = client.search(
index="my-index",
retriever={
"rrf": {
"retrievers": [
{
"standard": {
"query": {
"term": {
"text": "shoes"
}
}
}
},
{
"standard": {
"query": {
"semantic": {
"field": "semantic_field",
"query": "shoes"
}
}
}
}
],
"rank_window_size": 50,
"rank_constant": 20
}
},
)
print(resp)
const response = await client.search({
index: "my-index",
retriever: {
rrf: {
retrievers: [
{
standard: {
query: {
term: {
text: "shoes",
},
},
},
},
{
standard: {
query: {
semantic: {
field: "semantic_field",
query: "shoes",
},
},
},
},
],
rank_window_size: 50,
rank_constant: 20,
},
},
});
console.log(response);
GET my-index/_search
{
"retriever": {
"rrf": {
"retrievers": [
{
"standard": {
"query": {
"term": {
"text": "shoes"
}
}
}
},
{
"standard": {
"query": {
"semantic": {
"field": "semantic_field",
"query": "shoes"
}
}
}
}
],
"rank_window_size": 50,
"rank_constant": 20
}
}
}
在 semantic_text 字段上进行高级搜索
编辑semantic 查询使用默认设置在 semantic_text 字段上进行搜索，以方便使用。如果您想微调在 semantic_text 字段上的搜索，您需要知道 semantic_text 中配置的 inference_id 使用的任务类型。您可以使用获取推理 API找到任务类型，并检查与推理服务关联的 task_type。根据 task_type，使用 sparse_vector 或 knn 查询以获得更大的灵活性和自定义能力。
虽然可以在 semantic_text 字段上使用 sparse_vector 查询或 knn 查询，但不支持在 sparse_vector 或 dense_vector 字段类型上使用 semantic_query。
使用 sparse_embedding 推理进行搜索
编辑当推理端点使用 sparse_embedding 模型时，您可以按以下方式在semantic_text 字段上使用 sparse_vector 查询
resp = client.search(
index="test-index",
query={
"nested": {
"path": "inference_field.inference.chunks",
"query": {
"sparse_vector": {
"field": "inference_field.inference.chunks.embeddings",
"inference_id": "my-inference-id",
"query": "mountain lake"
}
}
}
},
)
print(resp)
const response = await client.search({
index: "test-index",
query: {
nested: {
path: "inference_field.inference.chunks",
query: {
sparse_vector: {
field: "inference_field.inference.chunks.embeddings",
inference_id: "my-inference-id",
query: "mountain lake",
},
},
},
},
});
console.log(response);
GET test-index/_search
{
"query": {
"nested": {
"path": "inference_field.inference.chunks",
"query": {
"sparse_vector": {
"field": "inference_field.inference.chunks.embeddings",
"inference_id": "my-inference-id",
"query": "mountain lake"
}
}
}
}
}
您可以自定义 sparse_vector 查询以包含特定设置，例如剪枝配置。
使用 text_embedding 推理进行搜索
编辑当推理端点使用 text_embedding 模型时，您可以按以下方式在 semantic_text 字段上使用 knn 查询
resp = client.search(
index="test-index",
query={
"nested": {
"path": "inference_field.inference.chunks",
"query": {
"knn": {
"field": "inference_field.inference.chunks.embeddings",
"query_vector_builder": {
"text_embedding": {
"model_id": "my_inference_id",
"model_text": "mountain lake"
}
}
}
}
}
},
)
print(resp)
const response = await client.search({
index: "test-index",
query: {
nested: {
path: "inference_field.inference.chunks",
query: {
knn: {
field: "inference_field.inference.chunks.embeddings",
query_vector_builder: {
text_embedding: {
model_id: "my_inference_id",
model_text: "mountain lake",
},
},
},
},
},
},
});
console.log(response);
GET test-index/_search
{
"query": {
"nested": {
"path": "inference_field.inference.chunks",
"query": {
"knn": {
"field": "inference_field.inference.chunks.embeddings",
"query_vector_builder": {
"text_embedding": {
"model_id": "my_inference_id",
"model_text": "mountain lake"
}
}
}
}
}
}
}
您可以自定义 knn 查询以包含特定设置，例如 num_candidates 和 k。