Elasticsearch：简化 KNN 搜索

from elasticsearch import Elasticsearch
 
# 连接到Elasticsearch
es = Elasticsearch("http://localhost:9200")
 
# 定义KNN搜索的函数
def knn_search(index_name, query_vector, k=1):
    body = {
        "from": 0,
        "size": k,
        "query": {
            "script_score": {
                "query": {
                    "match_all": {}
                },
                "script": {
                    "source": "cosineSimilarity(params.query_vector, doc['vector_field']) + 1.0",
                    "params": {
                        "query_vector": query_vector
                    }
                }
            }
        }
    }
    
    # 执行搜索
    results = es.search(index=index_name, body=body)
    return results['hits']['hits']
 
# 示例向量
query_vector = [0.1, 0.2, 0.3]
 
# 示例索引名
index_name = "my_knn_index"
 
# 执行KNN搜索
knn_hits = knn_search(index_name, query_vector, k=3)
 
# 输出结果
for hit in knn_hits:
    print(hit)

这段代码展示了如何在Elasticsearch中使用Python客户端执行简化的KNN搜索。它定义了一个knn_search函数，该函数接受索引名、查询向量和K值作为参数，并返回最近邻的文档列表。这里使用了余弦相似度来评估文档与查询向量之间的相似度，并通过Elasticsearch的脚本查询功能进行了计算。