python - 在 Elasticsearch 中添加稀疏向量作为字段

Question

最近，Elasticsearch 允许在查询中使用向量和稀疏向量。正在关注their documentation ，我遇到了一个错误(参见 full details on this question )，本质上:

"type" : "illegal_argument_exception",
"reason" : "Variable [embedding] is not defined."

“嵌入”似乎不是一个成功的领域。

我正在将我的文档上传到 Elasticsearch，如下所示:

1. 我为每个文档创建一个 json 文件
2. 我在 Python 中加载 json 文件 db_object = json.load(fp)
3. 我将这些对象传递给 Elasticsearch:es.index(index=my_index, doc_type='sentence', id=db_object['name'], body=db_object)

这是我的 json 文件的结构(请注意，嵌入是一个字典，因为它是一个稀疏向量)。

{"name": "doc_name", "field_1": "doc_id", "field_2": "a_keyword", "text": "a rather long text", "embedding": {"4655": 0.040158602078116556, "4640": 0.040158602078116556}}

但是，如果我进行简单的测试查询，嵌入似乎不起作用。采用此查询结构:

curl -X GET "localhost:9200/_search?pretty" -H 'Content-Type: application/json' -d'
{
  "query": {
    "query_string" : {
      "query" : "0.040158602078116556",
      "default_field" : "embedding"
    }
  }
}'

如果我将 embedding 留在“default_field”中，则找不到任何文档。

如果我尝试将 4655 作为字段(请注意，这是与我在查询中粘贴的数字相对应的嵌入字典中的键)也没有任何反应。

但是，如果该字段是 embedding.4655，则查询有效。对我来说，这似乎是一个明显的迹象，表明“嵌入”不被理解为作为稀疏向量的单个字段，而是字典键与“嵌入”结合形成具有数值的独立字段的集合。

另一个可能不对的提示是，像这样加载文档会使 Elasticsearch 抗议字段太多，而我原以为“嵌入”是一个且只有一个字段。

我说的对吗？我上传有关该专业的文件的方式是否存在缺陷？

Answer 1

问题是 Elasticsearch 无法推断出正确的类型。它认为字典中的每个键都是一个新字段(embedding.key)。所以我们需要提供一个指定类型的映射。在我的例子中，在创建索引后，在 Python 中使用 elasticsearch 库:

import requests

uri='http://localhost:9200/my_index/_mapping'

json_body="""{                    
    "properties": {
        "name": {
            "type": "keyword"
        },
        "reference": {
            "type": "keyword"
        },
        "jurisdiction": {
            "type": "keyword"
        },
        "text": {
            "type": "text"
        },
        "embedding": {
            "type": "sparse_vector"
        }
    }
}""")  

headers = {
    'Content-Type': 'application/json',
}

requests.put(uri, headers=headers, data=json_body)