传统的搜索引擎通常无法理解用户查询的语义上下文#xff0c;从而导致相关性较低的结果。

解决方案#xff1a;ELSER

在信息过载的时代根据上下文含义和用户意图而不是精确的关键字匹配来查找相关搜索结果已成为一项重大挑战。

传统的搜索引擎通常无法理解用户查询的语义上下文从而导致相关性较低的结果。

解决方案ELSER

此搜索类型为你提供基于上下文含义和用户意图的搜索结果而不是精确的关键字匹配。

ELSER

是一种域外out-of-domain模型这意味着它不需要对你自己的数据进行微调使其能够开箱即用地适应各种用例。

它将索引和搜索的段落扩展为术语集合这些术语在不同的训练数据集中经常同时出现。

learned

ELSER你必须具有适当的语义搜索订阅级别或激活试用期。

更多关于订阅的信息请参阅网站

Elastic

都提供强大的搜索功能但它们是针对不同类型的搜索任务而设计的并且以根本不同的方式工作。

Elasticsearch

这对于图像搜索、产品推荐和异常检测等用例特别有用在这些用例中你可以将项目表示为矢量并且希望查找矢量空间中相似的其他项目。

KNN

此搜索类型为您提供基于上下文含义和用户意图的搜索结果而不是精确的关键字匹配。

ELSER

是一种域外out-of-domain模型这意味着它不需要对你自己的数据进行微调使其能够开箱即用地适应各种用例。

它将索引和搜索的段落扩展为术语集合这些术语在不同的训练数据集中经常同时出现。

learned

都可用于提高搜索结果的相关性但它们是针对不同类型的数据和用例而设计的。

KNN

最适合以下用例你可以将条目表示为矢量并且你希望根据其矢量表示找到相似的条目。

另一方面ELSER

专为你想要查找与给定查询语义相关的搜索结果的用例而设计即使它们不共享精确的关键字匹配。

在性能方面KNN

搜索可能是计算密集型的尤其是在高维空间中并且可能需要大量资源来提供快速搜索结果。

另一方面ELSER

使用学习模型来扩展搜索词这可以更有效但可能需要合适的订阅级别或试用期激活。

总之KNN

_ml/trained_models/.elser_model_1

{input:

elser_model_1,model_repository:

https://ml-models.elastic.co,minimum_version:

8.8.0,size:

95f645a3ab8dc66a33de7892391a41ef4fc609a74d21d7b3f7fdd973d58dfe06,metadata:

{},tags:

elser_model_1.vocab.json},created_by:

api_user,version:

1690432777746,model_size_bytes:

0,license_level:

[text_field]},inference_config:

{text_expansion:

.ml-inference-native-000001},tokenization:

{bert:

_ml/trained_models/.elser_model_1/deployment/_start?deployment_idfor_search

上述命令返回

438123276,threads_per_allocation:

1,queue_capacity:

2023-07-27T04:40:19.531125Z,max_assigned_allocations:

Kibana

my_index/_doc/1?pipelinemy_pipeline

{text_field:

my_index/_doc/2?pipelinemy_pipeline

{text_field:

的学习稀疏编码器可以有效地用于以语义理解和上下文相关性为关键的各种用例。

这里有一些例子

可用于检索与给定查询在语义上相关的文档即使它们不共享精确的关键字匹配。

这在精确的信息检索至关重要的法律、学术或企业环境中特别有用。

电子商务搜索电子商务平台可以使用

ELSER

可以根据搜索查询的语义上下文提供更相关的结果从而改善购物体验并有可能增加销售额。

客户支持ELSER

可用于客户支持系统以更好地了解客户查询并提供更相关的解决方案。

ELSER

可以帮助弥合这一差距并找到最相关的支持文档。

内容推荐媒体平台可以使用

ELSER

这可以通过提供更多符合用户兴趣的内容来帮助保持用户的参与度。

社交媒体监控公司可以使用

ELSER

这可以通过将网站内容与相关搜索查询的语义上下文更紧密地结合起来帮助提高网站的搜索引擎排名。