Elasticsearch：向量搜索 (kNN) 实施指南 - API 版

from elasticsearch import Elasticsearch
 
# 连接到Elasticsearch
es = Elasticsearch("http://localhost:9200")
 
# 定义kNN搜索的请求体
def kNN_search_request(query_vector, k):
    return {
        "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kNN搜索
def perform_knn_search(es, index_name, query_vector, k):
    search_request = kNN_search_request(query_vector, k)
    results = es.search(index=index_name, body=search_request)
    return results
 
# 示例向量
query_vector = [0.1, 0.2, 0.3]
k = 5
index_name = "my_vector_index"
 
# 执行搜索
results = perform_knn_search(es, index_name, query_vector, k)
print(results)

这段代码首先导入了Elasticsearch客户端，然后定义了一个函数kNN_search_request来构建一个kNN搜索的请求体。在这个请求体中，我们使用了Elasticsearch的script\_score查询来计算文档与查询向量的余弦相似度。然后定义了perform_knn_search函数来执行搜索并返回结果。最后，我们提供了一个示例向量和索引名称来执行搜索，并打印了返回的结果。