Technology sharing

Elasticsearch: Retrievers Introducendis - Quaero omnia

2024-07-12

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Author: de ElasticaJeff Vestalisis, Jack Conradson

In 8.14, Elastica novam quaesitionis notam "retrivers" in Elastica inquisitione introduxit. Lege ut cognoscas de simplicitate et efficacia eorum et quomodo operationes tuas inquisitionis augere possint.

Retrievers nova abstractio strati quaestioni API in Elastica investigatione additae sunt. Facultatem praebent multi scaena retrievalium fistularum configurandi in una inquisitione API vocationis. Haec architectura inquisitionem logicam in applicatione tua simplicificat, tollendo necessitatem multiplex elasticae inquisitionis API quaerendi quaerendi implicationem vocat. Etiam necessitatem redigit ad logicam clientelam, quae saepe requirit coniunctionem ex pluribus quaestionibus.

Primum genus Retriever

Retrievers tria genera in initiali emissione comprehenduntur. Quaelibet retriever ad certum finem destinatur et coniuncta, inquisitiones multiplices efficere possunt.

Praesto sunt rationes:

  • vexillum - Redit documenta suprema in quaestionibus traditis. Typi istae retrorsum compatiuntur adiuvando syntaxin interrogationis DSL instantiae, permittens te ad compagem reptans ipse tuo gradu migrare.
  • kNN - Documenta suprema in kNN inquisitione redit.
  • RRF - Reciproca fusione algorithmus utere ut multiplices primi gradus retrievers componendi et ordinet in unum eventum cum nullo vel minimo usoris commensuratione constituto. An RRF retriever compositum est retriever cuius elementa sparguntur ad prolem retrievers propagantur.

Quomodo retrievers diversum est? Cur utiles sunt?

Pro traditis quaestionibus, quaesitio est pars quaestionis altioris API vocatio. Retrievers differunt quod ordinantur ut entia independentes quae singulariter vel facile componi possunt. Hic modularis accessus maiorem flexibilitatem praebet cum consilia quaerendi excogitat.

Retrievers pars "retriever arboris" ordinantur, structuram hierarchicam quae operationes investigationum definit, ordinem suum et logicam illustrantes. Haec compages implicatas inquisitiones tractabiliores facit, faciliores ad intellegendum, novasque notas facile in futurum addi sinit.

Retrievers componabilium sustinent, sino tibi fistulas aedificare et varias rationes retrievales integrare. Hoc permittit ut facile probatio diversarum compositionum retrievalium. Plus etiam praebent potestatem quomodo documenta notata et percolata sunt. Exempli gratia, minimum score limen denotare potes, implicatas filtras applica sine nomine afficiens, et parametris utere ut desinas ad ipsum perficiendum.

Retrorsum congruentiam cum interrogatione legatorum elementorum conservat, automatice ea in retrievers opportuna convertens.

Retrieval usus exemplum

Inspice exempla quaedam retrievers utendi. IMDb sample data set utimur.

Potes currere inclusa Iuppiter libelloimportare IMDb notitias in indisciplinato inquisitionis tuae, et teipsum exempla sequentia curre!

Summus gradus occasus sunt:

  • overview - brevi summary of the movie
  • nomina - nomina movies
  • overview_dense - dense_vector ex e5-parvo exemplari generatur
  • overview_sparse - vectoribus sparsis utens exemplar ELSER Elasticae.
  • Solum agri et occasus _source: falsum redit cum versione nominum et overview

Latin - Search all text!

  1. GET /imdb_movies/_search?pretty
  2. {
  3.   "retriever": {
  4.     "standard": {
  5.       "query": {
  6.         "term": {
  7.           "overview": "clueless"
  8.         }
  9.       }
  10.     }
  11.   },
  12.   "size": 3,
  13.   "fields": [
  14.     "names",
  15.     "overview"
  16.   ],
  17.   "_source": false
  18. }

kNN - Quaerere omnes vectores densos!

  1. GET /imdb_movies/_search?pretty
  2. {
  3.   "retriever": {
  4.     "knn": {
  5.       "field": "overview_dense",
  6.       "query_vector_builder": {
  7.         "text_embedding": {
  8.           "model_id": ".multilingual-e5-small_linux-x86_64",
  9.           "model_text": "clueless slackers"
  10.         }
  11.       },
  12.       "k": 5,
  13.       "num_candidates": 5
  14.     }
  15.   },
  16.   "size": 3,
  17.   "fields": [
  18.     "names",
  19.     "overview"
  20.   ],
  21.   "_source": false
  22. }

text_expansion - Quaerere vectores sparsos omnes!

  1. GET /imdb_movies/_search?pretty
  2. {
  3.   "retriever": {
  4.     "standard": {
  5.       "query": {
  6.         "text_expansion": {
  7.           "overview_sparse": {
  8.             "model_id": ".elser_model_2_linux-x86_64",
  9.             "model_text": "clueless slackers"
  10.           }
  11.         }
  12.       }
  13.     }
  14.   },
  15.   "size": 3,
  16.   "fields": [
  17.     "names",
  18.     "overview"
  19.   ],
  20.   "_source": false
  21. }

rrf - componit omnia!

  1. GET /imdb_movies/_search?pretty
  2. {
  3.   "retriever": {
  4.     "rrf": {
  5.       "retrievers": [
  6.         {
  7.           "standard": {
  8.             "query": {
  9.               "term": {
  10.                 "overview": "clueless slackers"
  11.               }
  12.             }
  13.           }
  14.         },
  15.         {
  16.           "knn": {
  17.             "field": "overview_dense",
  18.             "query_vector_builder": {
  19.               "text_embedding": {
  20.                 "model_id": ".multilingual-e5-small_linux-x86_64",
  21.                 "model_text": "clueless slackers"
  22.               }
  23.             },
  24.             "k": 5,
  25.             "num_candidates": 5
  26.           }
  27.         },
  28.         {
  29.           "standard": {
  30.             "query": {
  31.               "text_expansion": {
  32.                 "overview_sparse": {
  33.                   "model_id": ".elser_model_2_linux-x86_64",
  34.                   "model_text": "clueless slackers"
  35.                 }
  36.               }
  37.             }
  38.           }
  39.         }
  40.       ],
  41.       "rank_window_size": 5,
  42.       "rank_constant": 1
  43.     }
  44.   },
  45.   "size": 3,
  46.   "fields": [
  47.     "names",
  48.     "overview"
  49.   ],
  50.   "_source": false
  51. }

Hic terminus de Retriever

Retriever venit cum certis limitationibus quas utentes conscii esse debent. Exempli causa, retriever composito utens solum elementa queried permittit. Haec maiorem sollicitudinum separationem cogit et implicationem impedit, quae cum configuratione supra nidum vel independens evenit. Praeterea puer retrievers elementa uti non debet quae retrievers compositis restringunt ut partem retriever arboris.

Hae restrictiones meliores sunt effectus et composabilitas etiam cum per multiplices rationes retrievales.

Retriever initio ut praevisum technicae artis dimissum est, API eius mutationi obnoxius est

finitione

Investigatores significant gradum magni ponderis in elastica investigatione functionis et usoris comitate. Possunt in organo pipelino ligari, cum unaquaque retriever suam logicam applicando et eventus ad proximum catenam transeuntem. Retrievers signanter experientiam inquisitionis augere possunt, operas inquisitiones magis structuras, flexibiles et efficaces permittens.

Facultates sequentes plura de retrievers praebent.

Conare te ipsum codicem superius!Potes currerecomitante Iuppiter libello, import IMDB data in Elastica Servo Inquisitionis project!

Teipsum experiri paratus?satusLiber iudicii。
Vis elastica certified?Iterum invenireElasticsearch ingeniarius disciplinaCum incipere!

original:Retrievers elasticas inquisitionis - Quomodo utendum quaesitis retrievis in Elasticsearch - Quaesitum elasticum Labs

Personal profile

technologiae technologiae plus quam 30 annos operam dedit et in variis linguis proficit ut java, linux, javascript, php, css, etc. Multas contributiones in aperto fonte campo fecit elit documentorum statione ad communicandas quaestiones in technologia progressus ad futuram referentiam

mihi contactus notitia

Mail