使用 ElasticSearch 作为知识库，存储向量及相似性搜索_elasticsearch cosinesimilarity

在ElasticSearch中，我们可以使用cosine_similarity查询来找到与输入向量最相似的文档。以下是一个使用ElasticSearch的Python客户端执行此操作的示例：

from elasticsearch import Elasticsearch
from scipy.spatial import distance
 
# 连接到ElasticSearch
es = Elasticsearch("http://localhost:9200")
 
# 定义一个向量
vector = [0.5, 0.5]
 
# 定义查询
query = {
    "query": {
        "more_like_this": {
            "fields": ["vector_field"],  # 用于存储向量的字段
            "like": vector,
            "min_term_freq": 1,
            "min_doc_freq": 1,
            "minimum_should_match": "100%",
            "boost_terms": 1,
            "max_query_terms": 12,
        }
    },
    "size": 10,  # 返回的最大文档数
    "similarity": {
        "script": {
            "source": "cosineSimilarity",
            "parameters": {
                "vector": vector  # 输入向量
            }
        }
    }
}
 
# 执行查询
results = es.search(index="your_index", body=query)
 
# 输出结果
for doc in results['hits']['hits']:
    print(doc)

在这个例子中，我们首先连接到ElasticSearch实例。然后，我们定义了一个向量，并构建了一个使用cosineSimilarity的查询，该查询在指定字段上寻找与我们的输入向量最相似的文档。我们设置查询的一些参数，如最小词频和文档频率，并指定返回的最大文档数。最后，我们执行查询并打印出返回的结果。

请注意，这个例子假设ElasticSearch已经安装并运行在本地主机的9200端口上，并且已经创建了一个名为your_index的知识库索引，其中包含了类型为vector_field的向量字段。您需要根据您的实际情况调整这些值。