图像近似度 - 向量空间搜索引擎

在 eCommerce 里的应用中，我们可以对图像来进行搜索从而达到更好的应用体验。如果你之前阅读过我的文章 “”，可能对这个并不陌生。我们可以通过对图片的处理，把它变成向量，然后我们再进行向量搜索，从而达到搜索的目的。在今天的 demo 中，我们来展示如何使用 Elasticsearch 来搜素图片。展示的代码可以在找到。

如何选择向量搜索引擎？

本文介绍如何通过OpenSearch【向量检索版】帮助企业在没有向量数据的情况下快速搭建图像搜索服务，解决图片向量化、向量搜索等检索难题，实现以图搜图、以文搜图等多种图像检索能力。并通过数据压缩功能，降低存储空间，降低业务成本，为企业提供效果、性能双保障。

它的出现为大规模向量数据的存储、管理和搜索带来了全新的解决方案，为人工智能和机器学习领域的发展注入了新的活力。Milvus是一个开源的向量相似度搜索引擎，致力于帮助用户高效存储、管理和搜索大规模向量数据。随着人工智能和机器学习领域的不断发展，Milvus将在未来发挥更加重要的作用。：Milvus提供了快速的相似度搜索功能，帮助用户快速找到他们需要的向量数据。：Milvus提供了灵活的数据管理功能，用户可以轻松管理各种类型的向量数据。：Milvus可以用于文本相似度计算，帮助用户找到相似的文本内容。

向量搜索，简单来说，就是在向量空间中进行的搜索操作。在传统的文本搜索中，我们通常基于关键词进行匹配，这种方式对于精确匹配的场景效果较好，但在处理语义理解、模糊匹配等复杂场景时显得力不从心。而向量搜索则将文本、图像、音频等各种数据转化为向量表示，通过计算向量之间的相似度来进行搜索。这种方式能够更好地捕捉数据的语义信息，从而实现更精准、更智能的搜索。

Elasticsearch引入向量搜索能力，支持高维语义检索。本文介绍其核心机制：向量通过浮点数组表示语义相似性，Elasticsearch 8+原生支持dense_vector字段类型，提供余弦、欧氏等相似度度量方式。文章详解索引mapping设计、Java API写入向量数据流程（含代码示例），并对比不同相似度算法的适用场景，为构建语义搜索系统提供实践指导。

在人工智能快速发展的今天，推荐技术、以文搜图、以文搜视频、以图搜图等技术已经得到了广泛的应用，在百度、小红书、抖音、快手等app上随便输入一段文本，搜索结果已不像早些年那么单一：只有一些文字信息，现在的搜索结果里不仅有文字，还能够搜索出与检索词高度相关的图片、视频、或者商品(电商app)，甚至都不用检索，feed流推荐的内容或者商品都是自身感兴趣的，大家一定会有疑问，整个系统背后是如何实现的呢，为什么输入一段文字，就能检索到相关的视频、音频或者图像呢？不同的内容形式，中间是怎么实现的匹配呢？

【实战ES】实战 Elasticsearch：快速上手与深度实践-8.1.2近似最近邻（ANN）算法选型