使用 ElasticSearch 作为知识库，存储向量及相似性搜索

from datetime import datetime
from elasticsearch import Elasticsearch
 
# 连接到ElasticSearch
es = Elasticsearch("http://localhost:9200")
 
# 向ElasticSearch中添加文档
def add_document(es, index_name, doc_id, vector, timestamp):
    doc = {
        "id": doc_id,
        "vector": vector,
        "timestamp": timestamp,
    }
    es.index(index=index_name, id=doc_id, document=doc)
 
# 获取最接近目标向量的文档
def get_nearest_neighbor(es, index_name, target_vector, k):
    query = {
        "size": k,
        "query": {
            "script_score": {
                "query": {
                    "match_all": {}
                },
                "script": {
                    "source": "cosineSimilarity(params.query_vector, 'vector') + 1.0",
                    "params": {
                        "query_vector": target_vector
                    }
                }
            }
        }
    }
    results = es.search(index=index_name, body=query)
    return results['hits']['hits']
 
# 示例使用
index_name = "knowledge_base"
doc_id = "123"
vector = [0.1, 0.2, 0.3, 0.4]  # 向量是一个实数列表
timestamp = datetime.now()
 
add_document(es, index_name, doc_id, vector, timestamp)
 
target_vector = [0.1, 0.2, 0.3, 0.4]
k = 5
nearest_neighbors = get_nearest_neighbor(es, index_name, target_vector, k)
 
print(nearest_neighbors)

这段代码展示了如何使用ElasticSearch存储向量数据并进行相似性搜索。首先，我们连接到ElasticSearch服务器。然后，我们定义了一个函数add_document来添加文档到知识库中。最后，我们定义了一个函数get_nearest_neighbor来找出与目标向量最相似的K个文档。在实际应用中，向量数据可能来自自然语言处理或图像识别的结果。