使用 ElasticSearch 作为知识库，存储向量及相似性搜索
一、ElasticSearch 向量存储及相似性搜索
在当今大数据时代，快速有效地搜索和分析海量数据成为了许多企业和组织的重要需求。Elasticsearch 作为一款功能强大的分布式搜索和分析引擎，为我们提供了一种优秀的解决方案。除了传统的文本搜索，Elasticsearch 还引入了向量存储的概念，以实现更精确、更高效的相似性搜索。
在 Elasticsearch 中，我们可以将文档或数据转换为数值化向量的方法存入。每个文档被表示为一个向量，其中每个维度对应于文档中的一个特征或属性。这种向量化的表示使得文档之间的相似性计算变得可能。
使用场景：
-
相似文档搜索：通过将文档转换为向量，并使用向量相似性函数，如
dot product或cosine similarity，可以快速找到与查询文档最相似的文档，从而实现精确且高效的相似文档搜索。 -
推荐系统：将用户和商品等表示为向量，可以根据用户的喜好和行为，推荐与其兴趣相似的商品。
-
图像搜索：将图像转换为向量表示，并使用相似性度量，可以在图像库中快速找到与查询图像相似的图像。
下面基于上篇文章使用到的 Chinese-medical-dialogue-data 中文医疗对话数据作为知识内容进行实验。
本篇实验使用 ES 版本为：7.14.0
二、Chinese-medical-dialogue-data 数据集
GitHub 地址如下：
https://github.com/Toyhom/Chinese-medical-dialogue-data
数据分了 6 个科目类型：
数据格式如下所示：
其中 ask 为病症的问题描述，answer 为病症的回答。
由于数据较多，本次实验仅使用 IM_内科 数据的前 5000 条数据进行测试。
三、Embedding 模型
Embedding 模型使用开源的 chinese-roberta-wwm-ext-large ，该模型输出为 1024 维。
huggingface 地址：
https://huggingface.co/hfl/chinese-roberta-wwm-ext-large
基本使用如下：
from transformers import BertTokenizer, BertModel
import torch
# 模型下载的地址
model_name = 'D:\\AIGC\\model\\chinese-roberta-wwm-ext-large'
def embeddings(docs, max_length=300):
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertModel.from_pretrained(model_name)
# 对文本进行分词、编码和填充
input_ids = []
attention_masks = []
for doc in docs:
encoded_dict = tokenizer.encode_plus(
doc,
add_special_tokens=True,
max_length=max_length,
padding='max_length',
truncation=True,
return_attention_mask=True,
return_tensors='pt'
)
input_ids.append(encoded_dict['input_ids'])
attention_masks.append(encoded_dict['attention_mask'])
input_ids = torch.cat(input_ids, dim=0)
attention_masks = torch.cat(attention_masks, dim=0)
# 前向传播
with torch.no_grad():
outputs = model(input_ids, attention_mask=attention_masks)
# 提取最后一层的CLS向量作为文本表示
last_hidden_state = outputs.last_hidden_state
cls_embeddings = last_hidden_state[:, 0, :]
return cls_embeddings
if __name__ == '__main__':
res = embeddings(["你好，你叫什么名字"])
print(res)
print(len(res))
print(len(res[0]))
运行后可以看到如下日志：
四、ElasticSearch 存储向量
创建向量索引
PUT http://127.0.0.1:9200/medical_index
{
"settings": {
"number_of_shards": 3,
"number_of_replicas": 1
},
"mappings": {
"properties": {
"ask_vector": {
"type": "dense_vector",
"dims": 1024
},
"ask": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_smart"
},
"answer": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_smart"
}
}
}
}
其中 dims 为向量的长度。
查看创建的索引：
GET http://127.0.0.1:9200/medical_index
数据存入 ElasticSearch
引入 ElasticSearch 依赖库：
pip install elasticsearch -i https://pypi.tuna.tsinghua.edu.cn/simple
from elasticsearch import Elasticsearch
from transformers import BertTokenizer, BertModel
import torch
import pandas as pd
def embeddings_doc(doc, tokenizer, model, max_length=300):
encoded_dict = tokenizer.encode_plus(
doc,
add_special_tokens=True,
max_length=max_length,
padding='max_length',
truncation=True,
return_attention_mask=True,
return_tensors='pt'
)
input_id = encoded_dict['input_ids']
attention_mask = encoded_dict['attention_mask']
# 前向传播
with torch.no_grad():
outputs = model(input_id, attention_mask=attention_mask)
# 提取最后一层的CLS向量作为文本表示
last_hidden_state = outputs.last_hidden_state
cls_embeddings = last_hidden_state[:, 0, :]
return cls_embeddings[0]
def add_doc(index_name, id, embedding_ask, ask, answer, es):
body = {
"ask_vector": embedding_ask.tolist(),
"ask": ask,
"answer": answer
}
result = es.create(index=index_name, id=id, doc_type="_doc", body=body)
return result
def main():
# 模型下载的地址
model_name = 'D:\\AIGC\\model\\chinese-roberta-wwm-ext-large'
# ES 信息
es_host = "http://127.0.0.1"
es_port = 9200
es_user = "elastic"
es_password = "elastic"
index_name = "medical_index"
# 数据地址
path = "D:\\AIGC\\dataset\\Chinese-medical-dialogue-data\\Chinese-medical-dialogue-data\\Data_数据\\IM_内科\\内科5000-33000.csv"
# 分词器和模型
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertModel.from_pretrained(model_name)
# ES 连接
es = Elasticsearch(
[es_host],
port=es_port,
http_auth=(es_user, es_password)
)
# 读取数据写入ES
data = pd.read_csv(path, encoding='ANSI')
for index, row in data.iterrows():
# 写入前 5000 条进行测试
if index >= 500:
break
ask = row["ask"]
answer = row["answer"]
# 文本转向量
embedding_ask = embeddings_doc(ask, tokenizer, model)
result = add_doc(index_name, index, embedding_ask, ask, answer, es)
print(result)
if __name__ == '__main__':
main()
五、相似性搜索
1. 余弦相似度算法：cosineSimilarity
from elasticsearch import Elasticsearch
from transformers import BertTokenizer, BertModel
import torch
def embeddings_doc(doc, tokenizer, model, max_length=300):
encoded_dict = tokenizer.encode_plus(
doc,
add_special_tokens=True,
max_length=max_length,
padding='max_length',
truncation=True,
return_attention_mask=True,
return_tensors='pt'
)
input_id = encoded_dict['input_ids']
attention_mask = encoded_dict['attention_mask']
# 前向传播
with torch.no_grad():
outputs = model(input_id, attention_mask=attention_mask)
# 提取最后一层的CLS向量作为文本表示
last_hidden_state = outputs.last_hidden_state
cls_embeddings = last_hidden_state[:, 0, :]
return cls_embeddings[0]
def search_similar(index_name, query_text, tokenizer, model, es, top_k=3):
query_embedding = embeddings_doc(query_text, tokenizer, model)
print(query_embedding.tolist())
query = {
"query": {
"script_score": {
"query": {"match_all": {}},
"script": {
"source": "cosineSimilarity(params.queryVector, 'ask_vector') + 1.0",
"lang": "painless",
"params": {
"queryVector": query_embedding.tolist()
}
}
}
},
"size": top_k
}
res = es.search(index=index_name, body=query)
hits = res['hits']['hits']
similar_documents = []
for hit in hits:
similar_documents.append(hit['_source'])
return similar_documents
def main():
# 模型下载的地址
model_name = 'D:\\AIGC\\model\\chinese-roberta-wwm-ext-large'
# ES 信息
es_host = "http://127.0.0.1"
es_port = 9200
es_user = "elastic"
es_password = "elastic"
index_name = "medical_index"
# 分词器和模型
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertModel.from_pretrained(model_name)
# ES 连接
es = Elasticsearch(
[es_host],
port=es_port,
http_auth=(es_user, es_password)
)
query_text = "我有高血压可以拿党参泡水喝吗"
similar_documents = search_similar(index_name, query_text, tokenizer, model, es)
for item in similar_documents:
print("================================")
print('ask：', item['ask'])
print('answer：', item['answer'])
if __name__ == '__main__':
main()
打印日志如下：
================================
ask： 我有高血压这两天女婿来的时候给我拿了些党参泡水喝，您好高血压可以吃党参吗？
answer： 高血压病人可以口服党参的。党参有降血脂，降血压的作用，可以彻底消除血液中的垃圾，从而对冠心病以及心血管疾病的患者都有一定的稳定预防工作作用，因此平时口服党参能远离三高的危害。另外党参除了益气养血，降低中枢神经作用，调整消化系统功能，健脾补肺的功能。感谢您的进行咨询，期望我的解释对你有所帮助。
================================
ask： 我准备过两天去看我叔叔，顺便带些人参，但是他有高血压，您好人参高血压可以吃吗？
answer： 人参有一定的调压作用，主要用来气虚体虚的患者，如果有气血不足，气短乏力，神经衰弱，神经衰弱健忘等不适症状的话，可以适当口服人参调养身体，但是对于高血压的病人，如果长期食用人参的话，可能会对血压引发一定影响，所以，比较好到医院中医科实施辨证论治调治，看如何适合食用人参。
================================
ask： 我妈妈有点高血压，比较近我朋友送了我一些丹参片，我想知道高血压能吃丹参片吗？
answer： 丹参片具备活血化瘀打通血管的作用可以致使血液粘稠度减低，所以就容易致使血管内血液供应便好防止出现血液粘稠，致使血压下降，所以对降血压是有一定帮助的，高血压患者是经常使用丹参片实施治疗的。可以预防，因为血液粘稠引来的冠心病心绞痛以及外周血管脑水肿症状。
2. 点积算法：dotProduct
计算给定查询向量和文档向量之间的点积度量。
from elasticsearch import Elasticsearch
from transformers import BertTokenizer, BertModel
import torch
def embeddings_doc(doc, tokenizer, model, max_length=300):
encoded_dict = tokenizer.encode_plus(
doc,
add_special_tokens=True,
max_length=max_length,
padding='max_length',
truncation=True,
return_attention_mask=True,
return_tensors='pt'
)
input_id = encoded_dict['input_ids']
attention_mask = encoded_dict['attention_mask']
# 前向传播
with torch.no_grad():
outputs = model(input_id, attention_mask=attention_mask)
# 提取最后一层的CLS向量作为文本表示
last_hidden_state = outputs.last_hidden_state
cls_embeddings = last_hidden_state[:, 0, :]
return cls_embeddings[0]
def search_similar(index_name, query_text, tokenizer, model, es, top_k=3):
query_embedding = embeddings_doc(query_text, tokenizer, model)
print(query_embedding.tolist())
query = {
"query": {
"script_score": {
"query": {"match_all": {}},
"script": {
"source": "dotProduct(params.queryVector, 'ask_vector')+1.0",
"lang": "painless",
"params": {
"queryVector": query_embedding.tolist()
}
}
}
},
"size": top_k
}
res = es.search(index=index_name, body=query)
hits = res['hits']['hits']
similar_documents = []
for hit in hits:
similar_documents.append(hit['_source'])
return similar_documents
def main():
# 模型下载的地址
model_name = 'D:\\AIGC\\model\\chinese-roberta-wwm-ext-large'
# ES 信息
es_host = "http://127.0.0.1"
es_port = 9200
es_user = "elastic"
es_password = "elastic"
index_name = "medical_index"
# 分词器和模型
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertModel.from_pretrained(model_name)
# ES 连接
es = Elasticsearch(
[es_host],
port=es_port,
http_auth=(es_user, es_password)
)
query_text = "我有高血压可以拿党参泡水喝吗"
similar_documents = search_similar(index_name, query_text, tokenizer, model, es)
for item in similar_documents:
print("================================")
print('ask：', item['ask'])
print('answer：', item['answer'])
if __name__ == '__main__':
main()
================================
ask： 我有高血压这两天女婿来的时候给我拿了些党参泡水喝，您好高血压可以吃党参吗？
answer： 高血压病人可以口服党参的。党参有降血脂，降血压的作用，可以彻底消除血液中的垃圾，从而对冠心病以及心血管疾病的患者都有一定的稳定预防工作作用，因此平时口服党参能远离三高的危害。另外党参除了益气养血，降低中枢神经作用，调整消化系统功能，健脾补肺的功能。感谢您的进行咨询，期望我的解释对你有所帮助。
================================
ask： 我准备过两天去看我叔叔，顺便带些人参，但是他有高血压，您好人参高血压可以吃吗？
answer： 人参有一定的调压作用，主要用来气虚体虚的患者，如果有气血不足，气短乏力，神经衰弱，神经衰弱健忘等不适症状的话，可以适当口服人参调养身体，但是对于高血压的病人，如果长期食用人参的话，可能会对血压引发一定影响，所以，比较好到医院中医科实施辨证论治调治，看如何适合食用人参。
================================
ask： 我妈妈有点高血压，比较近我朋友送了我一些丹参片，我想知道高血压能吃丹参片吗？
answer： 丹参片具备活血化瘀打通血管的作用可以致使血液粘稠度减低，所以就容易致使血管内血液供应便好防止出现血液粘稠，致使血压下降，所以对降血压是有一定帮助的，高血压患者是经常使用丹参片实施治疗的。可以预防，因为血液粘稠引来的冠心病心绞痛以及外周血管脑水肿症状。
3. L1曼哈顿距离：l1norm
计算给定查询向量和文档向量之间的L1距离。
from elasticsearch import Elasticsearch
from transformers import BertTokenizer, BertModel
import torch
def embeddings_doc(doc, tokenizer, model, max_length=300):
encoded_dict = tokenizer.encode_plus(
doc,
add_special_tokens=True,
max_length=max_length,
padding='max_length',
truncation=True,
return_attention_mask=True,
return_tensors='pt'
)
input_id = encoded_dict['input_ids']
attention_mask = encoded_dict['attention_mask']
# 前向传播
with torch.no_grad():
outputs = model(input_id, attention_mask=attention_mask)
# 提取最后一层的CLS向量作为文本表示
last_hidden_state = outputs.last_hidden_state
cls_embeddings = last_hidden_state[:, 0, :]
return cls_embeddings[0]
def search_similar(index_name, query_text, tokenizer, model, es, top_k=3):
query_embedding = embeddings_doc(query_text, tokenizer, model)
print(query_embedding.tolist())
query = {
"query": {
"script_score": {
"query": {"match_all": {}},
"script": {
"source": "1 / (1 + l1norm(params.queryVector, doc['ask_vector']))",
"lang": "painless",
"params": {
"queryVector": query_embedding.tolist()
}
}
}
},
"size": top_k
}
res = es.search(index=index_name, body=query)
hits = res['hits']['hits']
similar_documents = []
for hit in hits:
similar_documents.append(hit['_source'])
return similar_documents
def main():
# 模型下载的地址
model_name = 'D:\\AIGC\\model\\chinese-roberta-wwm-ext-large'
# ES 信息
es_host = "http://127.0.0.1"
es_port = 9200
es_user = "elastic"
es_password = "elastic"
index_name = "medical_index"
# 分词器和模型
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertModel.from_pretrained(model_name)
# ES 连接
es = Elasticsearch(
[es_host],
port=es_port,
http_auth=(es_user, es_password)
)
query_text = "我有高血压可以拿党参泡水喝吗"
similar_documents = search_similar(index_name, query_text, tokenizer, model, es)
for item in similar_documents:
print("================================")
print('ask：', item['ask'])
print('answer：', item['answer'])
if __name__ == '__main__':
main()
================================
ask： 我有高血压这两天女婿来的时候给我拿了些党参泡水喝，您好高血压可以吃党参吗？
answer： 高血压病人可以口服党参的。党参有降血脂，降血压的作用，可以彻底消除血液中的垃圾，从而对冠心病以及心血管疾病的患者都有一定的稳定预防工作作用，因此平时口服党参能远离三高的危害。另外党参除了益气养血，降低中枢神经作用，调整消化系统功能，健脾补肺的功能。感谢您的进行咨询，期望我的解释对你有所帮助。
================================
ask： 我准备过两天去看我叔叔，顺便带些人参，但是他有高血压，您好人参高血压可以吃吗？
answer： 人参有一定的调压作用，主要用来气虚体虚的患者，如果有气血不足，气短乏力，神经衰弱，神经衰弱健忘等不适症状的话，可以适当口服人参调养身体，但是对于高血压的病人，如果长期食用人参的话，可能会对血压引发一定影响，所以，比较好到医院中医科实施辨证论治调治，看如何适合食用人参。
================================
ask： 我妈妈有点高血压，比较近我朋友送了我一些丹参片，我想知道高血压能吃丹参片吗？
answer： 丹参片具备活血化瘀打通血管的作用可以致使血液粘稠度减低，所以就容易致使血管内血液供应便好防止出现血液粘稠，致使血压下降，所以对降血压是有一定帮助的，高血压患者是经常使用丹参片实施治疗的。可以预防，因为血液粘稠引来的冠心病心绞痛以及外周血管脑水肿症状。
4. l2 欧几里得距离：l2norm
计算给定查询向量和文档向量之间的欧几里德距离。
from elasticsearch import Elasticsearch
from transformers import BertTokenizer, BertModel
import torch
def embeddings_doc(doc, tokenizer, model, max_length=300):
encoded_dict = tokenizer.encode_plus(
doc,
add_special_tokens=True,
max_length=max_length,
padding='max_length',
truncation=True,
return_attention_mask=True,
return_tensors='pt'
)
input_id = encoded_dict['input_ids']
attention_mask = encoded_dict['attention_mask']
# 前向传播
with torch.no_grad():
outputs = model(input_id, attention_mask=attention_mask)
# 提取最后一层的CLS向量作为文本表示
last_hidden_state = outputs.last_hidden_state
cls_embeddings = last_hidden_state[:, 0, :]
return cls_embeddings[0]
def search_similar(index_name, query_text, tokenizer, model, es, top_k=3):
query_embedding = embeddings_doc(query_text, tokenizer, model)
print(query_embedding.tolist())
query = {
"query": {
"script_score": {
"query": {"match_all": {}},
"script": {
"source": "1 / (1 + l2norm(params.queryVector, doc['ask_vector']))",
"lang": "painless",
"params": {
"queryVector": query_embedding.tolist()
}
}
}
},
"size": top_k
}
res = es.search(index=index_name, body=query)
hits = res['hits']['hits']
similar_documents = []
for hit in hits:
similar_documents.append(hit['_source'])
return similar_documents
def main():
# 模型下载的地址
model_name = 'D:\\AIGC\\model\\chinese-roberta-wwm-ext-large'
# ES 信息
es_host = "http://127.0.0.1"
es_port = 9200
es_user = "elastic"
es_password = "elastic"
index_name = "medical_index"
# 分词器和模型
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertModel.from_pretrained(model_name)
# ES 连接
es = Elasticsearch(
[es_host],
port=es_port,
http_auth=(es_user, es_password)
)
query_text = "我有高血压可以拿党参泡水喝吗"
similar_documents = search_similar(index_name, query_text, tokenizer, model, es)
for item in similar_documents:
print("================================")
print('ask：', item['ask'])
print('answer：', item['answer'])
if __name__ == '__main__':
main()
================================
ask： 我有高血压这两天女婿来的时候给我拿了些党参泡水喝，您好高血压可以吃党参吗？
answer： 高血压病人可以口服党参的。党参有降血脂，降血压的作用，可以彻底消除血液中的垃圾，从而对冠心病以及心血管疾病的患者都有一定的稳定预防工作作用，因此平时口服党参能远离三高的危害。另外党参除了益气养血，降低中枢神经作用，调整消化系统功能，健脾补肺的功能。感谢您的进行咨询，期望我的解释对你有所帮助。
================================
ask： 我准备过两天去看我叔叔，顺便带些人参，但是他有高血压，您好人参高血压可以吃吗？
answer： 人参有一定的调压作用，主要用来气虚体虚的患者，如果有气血不足，气短乏力，神经衰弱，神经衰弱健忘等不适症状的话，可以适当口服人参调养身体，但是对于高血压的病人，如果长期食用人参的话，可能会对血压引发一定影响，所以，比较好到医院中医科实施辨证论治调治，看如何适合食用人参。
================================
ask： 我妈妈有点高血压，比较近我朋友送了我一些丹参片，我想知道高血压能吃丹参片吗？
answer： 丹参片具备活血化瘀打通血管的作用可以致使血液粘稠度减低，所以就容易致使血管内血液供应便好防止出现血液粘稠，致使血压下降，所以对降血压是有一定帮助的，高血压患者是经常使用丹参片实施治疗的。可以预防，因为血液粘稠引来的冠心病心绞痛以及外周血管脑水肿症状。