CSS搜索与推荐优化

应用场景

方案架构

图1 语义检索架构图

数据写入：使用Elasticsearch原生Bulk接口写入数据，搜索大模型插件自动调用Embedding模型将文本转换为向量，生成的语义向量存储在CSS向量数据库中。

语义查询：使用Elasticsearch原生multi_match查询语句，搜索大模型插件自动转换查询语句为语义向量查询，执行多路召回（关键词+向量相似度），调用精排模型对结果进行二次排序，返回最终结果。

方案优势

• 提升搜索精度：通过语义理解与精排实现多路召回与重排序，提升结果相关性。
• 兼容开源生态：兼容开源Elasticsearch，适配multi_match语句。
• 易用性高：通过插件方式实现，仅需配置模型服务和索引，无需改造业务代码。

约束限制

Elasticsearch AI搜索功能依赖Embedding节点，该节点的配置采用白名单机制，如需试用，请提交工单申请权限。

前提条件

• 确认Elasticsearch集群满足以下条件。
  • 集群状态：可用
  • 集群版本：7.10.2（在基本信息页面查看“集群版本”）
  • 配置要求：已配置Embedding节点（在依赖服务页面查看是否存在“可用”状态的独享版集群）
• 获取独享版集群的访问地址。
  1. 登录 云搜索 服务管理控制台。
  2. 在左侧导航栏，选择“集群管理 > Elasticsearch”。
  3. 选择目标集群，单击集群名称进入基本信息页面。
  4. 在左侧导航栏，选择“依赖服务管理”。
  5. 在服务列表，选择目标服务，单击操作列的“跳转”进入独享版集群的基本信息页面。
  6. 获取“内网访问IPv4地址”即独享版集群的访问地址，后续配置模型服务需要使用。
     图2 获取集群访问地址
     

步骤一：登录Kibana

登录Kibana进入命令执行页面。

1. 登录云搜索服务管理控制台。
2. 在左侧导航栏，选择“集群管理 > Elasticsearch”。
3. 在集群列表，选择目标集群，单击操作列的“Kibana”，登录Kibana页面。
4. 在Kibana左侧导航栏选择“Dev Tools”，进入操作页面。

步骤二：启用搜索大模型插件

PUT _cluster/settings
{
  "persistent": {
    "pg_search.inference.enable": true
  }
}

返回如下信息，表示成功启用搜索大模型插件。

{
  "acknowledged" : true,
  "persistent" : {
    "pg_search" : {
      "inference" : {
        "enable" : "true"
      }
    }
  },
  "transient" : { }
}

步骤三：配置模型服务

1. 在Kibana中执行以下命令，配置Embedding模型服务。

   PUT _inference/model_service/pangu_vector  // pangu_vector为模型服务名称，支持自定义
   {
     "description": "搜索大模型-语义向量化模型", // 服务描述信息
     "service_config": {
       "semantic_vector": {          // 模型类型
         "service_urls": [           // Embedding模型服务的访问地址列表（数组格式）
           "http://{endpoint}/app/search/v1/vector" // 替换{endpoint}为独享版集群的访问地址，例如访问地址为10.20.30.40:18088，则此处应填写"http://10.20.30.40:18088/app/search/v1/vector"
         ],
         "algorithm": "GRAPH",      // 使用图算法进行近似最近邻搜索
         "metric": "inner_product", // 相似度度量方式：内积
         "dimension": "768"        // 向量维度768
       }
     }
   }

2. 在Kibana中执行以下命令，配置Rerank模型服务。

   PUT _inference/model_service/pangu_ranking  // pangu_ranking为模型服务名称，支持自定义
   {
     "description": "搜索大模型-精排模型", // 服务描述信息
     "service_config": {
        "reorder": {                 // 模型类型
         "service_urls": [           // Rerank模型服务的访问地址列表（数组格式）
           "http://{endpoint}/app/search/v1/rerank" // 替换{endpoint}为独享版集群的访问地址，例如访问地址为10.20.30.40:18088，则此处应填写"http://10.20.30.40:18088/app/search/v1/rerank"
         ]
       }
     }
   }

更多配置参数及说明请参见配置模型服务。

步骤四：创建向量索引

在Kibana中执行以下命令，创建向量索引，如pangu_index，并将上一步配置的Embedding和Rerank模型服务关联到索引中。

PUT pangu_index
{
  "aliases": {                    // 定义索引别名
    "pangu_wiki": {}              // 通过pangu_wiki别名访问索引
  },
  "mappings": {                   // 字段映射定义
    "properties": {
      "title": {                  // 文档标题字段
        "type": "text"            // 全文检索类型
      },
      "desc": {                   // 描述字段
        "type": "text"            // 全文检索类型
      },
      "content": {                // 正文内容字段
        "type": "text"            // 全文检索类型
      },
      "author": {                 // 作者字段
        "type": "keyword"         // 精确值类型，适合过滤和聚合
      }
    }
  },
  "settings": {                   // 索引设置
    "index.vector": true,         // 启用向量索引功能
    "index.inference.semantic_search_enabled": true, // 启用语义搜索
    "index.inference.field": [    // 参与向量化的字段及权重
      "title:100",               // 标题字段，权重100
      "desc:80",                 // 描述字段，权重80
      "content:30"               // 内容字段，权重30
    ],
    "index.inference.embedding_model": "pangu_vector", // Embedding模型服务的名称
    "index.inference.reorder_enabled": true, // 启用结果重排序
    "index.inference.reorder_model": "pangu_ranking", // 重排序模型服务的名称
    "index.inference.semantic_search_type": "vector", // 语义搜索类型为向量搜索
    "number_of_shards": 3         // 索引分片数为3（根据数据量调整）
  }
}

步骤五：导入数据

在Kibana中，使用Bulk API批量导入数据到上一步创建的索引pangu_index。

// 操作类型为index(创建/更新文档)，并指定文档ID为1
// title字段值（文本类型，将被向量化），desc字段值（文本类型，将被向量化），content字段值（文本类型，将被向量化），author字段值（关键字类型，用于精确匹配）
PUT pangu_index/_bulk
{"index":{"_id":"1"}}
{"title":"热带雨林","desc":"丰富的热带植物世界","content":"生态系统","author":"李雷"}

批量导入说明：

• 向量生成过程：系统会自动将title(权重100)、desc(权重80)、content(权重30)拼接，调用pangu_vector模型生成768维的语义向量，向量数据存储在_inference.semantic_vector字段。
• 如果某条文档失败，不会影响其他文档的导入，Bulk API的详细使用说明请参见Bulk API。
• 性能建议：大批量导入时建议每批次500~1000个文档。
• 数据格式建议：
  • 文本字段建议做基础清洗，去除特殊字符等。
  • 关键业务字段建议设置非空校验。
  • 中文文本不需要预先分词，大模型会自动处理。

步骤六：语义检索

在Kibana中执行以下命令，使用multi_match语句在pangu_index索引中执行语义检索。

GET pangu_index/_search
{
  // 控制返回结果的字段内容
  "_source": {
    "excludes": [ 
      "_inference"  // 排除返回结果中可能包含敏感或冗余信息的字段
    ]
  },

  // 查询主体部分
  "query": {
    // 布尔查询
    "bool": {
      // 必须满足的条件列表（逻辑AND）
      "must": [
        {
          // 多字段匹配查询，目标字段匹配时会自动转换为语义向量搜索
          "multi_match": {
            "query": "橡胶树在哪里",  // 用户输入的搜索关键词/句
            "fields": ["title","content","desc"]  // 搜索的目标字段列表,必须和索引配置的index.inference.field字段对应
          }
        }
      ]
      // 可选添加其他逻辑条件:
      // "filter": [...]    // 不影响评分的过滤条件
      // "should": [...]    // 逻辑OR条件
      // "must_not": [...]  // 排除条件
    }
  }

  // 可选添加搜索优化参数:
  // "size": 20,            // 返回结果数量
  // "explain": true,       // 显示相关性评分计算细节
  // "highlight": { ... }   // 关键词高亮配置
}