稀疏向量查询_智能开放搜索 OpenSearch(Open Search)-阿里云帮助中心

URL

/vector-service/query

以上 URL 省略了请求Header参数及编码等因素。
以上 URL 中省略了访问应用的 host 地址。
以上URL 中拼接的所有查询参数，请查看下方“查询参数”的参数定义、使用方式及样例。

请求协议

HTTP

请求方式

POST

支持格式

JSON

签名机制

可用以下方法计算签名（authorization）

参数	类型	描述
accessUserName	string	用户名，可在实例详情页>网络信息查看
accessPassWord	string	密码，可在实例详情页>网络信息修改

import com.aliyun.darabonba.encode.Encoder;
import com.aliyun.darabonbastring.Client;

public class GenerateAuthorization {

    public static void main(String[] args) throws Exception {
        String accessUserName = "username";
        String accessPassWord = "password";
        String realmStr = "" + accessUserName + ":" + accessPassWord + "";
        String authorization = Encoder.base64EncodeToString(Client.toBytes(realmStr, "UTF-8"));
        System.out.println(authorization);
    }
}

authorization正确返回格式：

cm9vdDp******mdhbA==

使用HTTP请求设置authorization参数时需加上Basic前缀

示例：（加在header中）

authorization: Basic cm9vdDp******mdhbA==

请求body语法

SearchRequest

参数名称	描述	默认值	类型	是否必须
tableName	查询的表名	无	string	是
indexName	稠密向量索引名称	无	string	是
vector	查询的稠密向量数据	无	list[float]	是
sparseData	查询的稀疏向量数据	无	SparseData	是
vectorCount	vector字段中包含的向量个数	1	int	否
namespace	查询向量的空间	""	string	否
topK	返回个数	100	int	否
includeVector	是否返回文档中的向量信息	false	bool	否
outputFields	需要返回值的字段列表	[]	list[string]	否
order	排序顺序, ASC：升序 DESC: 降序	ASC	string	否
searchParams	查询参数 HnswSearcher	""	string	否
filter	过滤表达式	""	string	否
scoreThreshold	分数过滤，使用欧式距离时，只返回小于scoreThreshold的结果。使用内积时，只返回大于scoreThreshold的结果	默认不过滤	float	否
sort	排序表达式	""	string	否

SparseData

参数名称	描述	默认值	类型	是否必须
count	每个稀疏向量中包含的元素个数	只有一个稀疏向量时默认为indices长度	list[int]	否
indices	元素下标（需要从小到大排序）	无	list[int]	是
values	元素值（与下标一一对应）	无	list[float]	是

向量检索版将稀疏向量下标和值用独立的两个多值字段表示，两个字段个数需要相等，位置一一对应。

例如：(0, 0.5), (100, 0.9), (40, 0.3), (50, 0.7), (20, 0.6)，表示成：

{
  "indices": [0, 100, 40, 50, 20],
  "values": [0.5, 0.9, 0.3, 0.7, 0.6]
}

在数据写入和查询时要求下标值按从小到大排序，值做相应的调整，最终表示为：

{
  "indices": [0, 20, 40, 50, 100],
  "values": [0.5, 0.6, 0.3, 0.7, 0.9]
}

查询权重

混合查询时，相同文档的最终分数是将稠密向量的距离和稀疏向量的距离加和，如果需要给稀疏向量和稠密向量不同的权重，可以做如下处理：

{
    "vector": [v * weight for v in dense_vector],
    "sparseData": {
        "indices": sparse_data["indices"],
        "values": [v * (1 - weight) for v in sparse_data["values"]]
    }
}

混合查询

{
    "tableName": "in0",
    "indexName": "vector",
    "vector": [
        0.1,
        0.2,
        0.3,
        0.4,
        0.5
    ],
    "sparseData": {
        "indices": [
            0,
            2
        ],
        "values": [
            1.2,
            2.4
        ]
    },
    "topK": 2,
    "order": "DESC"
}

返回参数

字段名称	描述	类型
result	结果列表	list[Item]
totalCount	result中的个数	int
totalTime	引擎处理耗时，单位ms	float
errorCode	错误码，有错误时才有该字段	int
errorMsg	错误信息，有错误时才有该字段	string

item定义：

字段名称	描述	类型
score	距离分	float
fields	字段名称和对应的值	map<string, FieldType>
vector	向量值	list[float]
id	主键值，类型为所定义的字段类型	FieldType
namespace	向量的名称空间，如果设置了namespace会返回该字段	string

示例：

{
    "totalCount": 50,
    "result": [
        {
            "id": 99,
            "score": 0.18588095903396607,
            "__source__": 1,
            "fields": {
                "content": "众好六类网线RJ45 6类千兆8芯双绞跳线 宽带监控家用网线成品线"
            }
        }
    ],
    "totalTime": 4.057
}