- 综合排序
- 最热优先
- 最新优先
- 来自专栏IT云清
5.Elasticsearch检索文档
我们会发现，我们存储的文档，在_source中，其他的类似_index,_type等都是元数据，元数据在后面会做详细解释。
60220发布于 2019-01-22 - 来自专栏我的小碗汤
5 款强大的 Kubernetes Events 收集与检索工具
以下是我将要解释的内容的概述： 事件机制 Kubernetes API 中的事件结构 需要关注的事件类型 检索事件的可用解决方案 在本文的最后，会链接到 YouTube 和 Github 上的相关教程， 这样你就可以直接学习如何收集和检索 Kubernetes 事件。 Rebooted HostPort 冲突 检索 Kubernetes 事件的解决方案 有多种解决方案可用于检索 Kubernetes 事件。让我们看看现成可用的项目。 详细信息请看 kspan[5] GitHub Kubernetes 事件教程 现在我们已经大致了解了 Kubernetes 事件是什么以及如何利用它们，您可以在 YouTube 和 GitHub 上找到更详细教程 salesforce/sloop [4] kubernetes-event-exporter: https://github.com/opsgenie/kubernetes-event-exporter [5]
2K21编辑于 2023-03-19 - 来自专栏大数据杂货铺
全文检索、向量检索和混合检索的比较分析
全文检索 全文搜索是指将部分或全部文本查询与数据库中存储的文档进行匹配。与传统的数据库查询相比，全文搜索即使在部分匹配的情况下也能提供结果。 Elasticsearch 用户越来越多地使用不同类型信息的搜索检索 — BM25 用于文本，向量搜索用于密集向量。 混合搜索技术通常会提供更好的结果：对多个 BIER 数据集进行基准测试显示，结合 BM25 和基于 ELSER 的排名时，相关性有所提高，现在用户甚至可以更轻松地组合所有这些检索方法。
6.3K10编辑于 2024-04-24 - 来自专栏啦啦啦啦前端
信息检索格式 布尔检索式
信息检索格式 布尔检索式 名称 符号 表达式 功能 逻辑与 * 或and AB 同时含 有提问词A和B的文献，为命中文献 逻辑或 + 或or A+B 凡是含有提问词A或B的文献，为命中文献 逻辑非
1.6K40编辑于 2023-02-11 - 来自专栏Reinvent Data Science
5 分钟实现「视频检索」：基于内容理解，无需任何标签
随着各类视频平台的兴起和火爆，网络上视频的数量呈现井喷式增长，「视频检索」成为人们高效查找视频的一项新需求。 传统的视频检索通常要求视频带有额外的文字标签，通过匹配查询语句的关键词与视频标签实现检索。 「视频检索」服务 demo 在这篇文章中，我们将会使用 Milvus[5] 和 Towhee[6] 搭建一个基于内容理解的「视频检索」服务！ 比如，共有 5 个目标结果，Recall@top10 为 40% 则表示前十个结果中找到了 2（5*40%）个目标结果。 ](func=lambda res: [x.id for i, x in enumerate(res "'top10_raw_res', 'top5'") if i < 5]) .runas_op ](name='recall_at_5' "'ground_truth', 'top5'") \ .evaluate['ground_truth', 'top10'](name='recall_at
6.2K20编辑于 2023-01-10 - 来自专栏算法与编程之美
网页|高级检索与专业检索
1、高级检索 高级检索也称命令检索，是相对于基本检索而言，高级检索可以让你使用多于基本检索的标准来精炼检索，使检索信息更加详细，搜索出的结果可用性也更大。 ? 图1.1 百度高级检索示例图 ? 图1.2 知网高级检索示例图 使用高级检索可以直接根据示例图所示，搞清楚查找资料的关系后，然后根据高级检索的相关内容直接输入逻辑关系搜索从而精确搜索信息。 图1.3 知网高级检索示例图2 2、专业检索 专业检索就是运用检索表达式实现的检索方式。这种检索方式可以让通过运用检索字段精确检索需要的内容。 ? 图2.1 知网专业检索示例图 百度专业检索直接在搜索框输入检索式即可。 图2.4 示例2检索结果 结语 运用高级检索和专业检索可以让搜索更加详细。
4.3K20发布于 2020-07-16 - 来自专栏AI研思录
颠覆传统检索：RAPTOR检索树提升检索准确率20%！
然而，现有的检索增强方只能检索几个简短的、连续的文本块，这对于需要整合文本多个部分的知识的问题是不够的，限制了它们表示和利用大规模语义结构的能力。 这篇文章提出了一种新颖的方法——检索树，即考虑了广泛的主题理解，也考虑了细粒度的细节信息。 在推理时，使用RAPTOR模型从这棵树中进行检索，在不同抽象层次上整合信息，以跨越较长文档进行理解。 采用递归聚类和汇总技术，RAPTOR创建了一个分层树结构，能够跨检索语料库的各个部分综合信息。在查询阶段，RAPTOR 利用此树结构进行更有效的检索。 实验表明，使用递归总结的检索方法在多个任务上相较于传统的检索增强语言模型提供了显著的改进。在涉及复杂、多步骤推理的问题解答任务中，展示了最优的结果。
75410编辑于 2025-02-20 - 来自专栏自然语言处理
检索增强生成 (RAG) 的 5 大 提示词，非常实用！
本文就给大家分享 5 种实用的 RAG 提示词模板，帮你提升生成质量，减少无关信息，让 RAG 回答更精准！ 为什么提示词对 RAG 这么重要？ 你跟 RAG 交流的方式，直接决定了它的回答质量。 接下来，我们就看看 5 种超实用的提示词模板，帮你让 RAG 生成的答案又稳又准！ 想要高质量内容，就别怕“多走一步” 提示词 #5：用“对比查询”让 RAG 更聪明！ 想让 RAG 更精准地回答问题？试试“对比查询”法！ 5. 如果问题涉及数字、日期或具体数据，务必在回答中准确包含这些信息。 6. 对于表格中的数据或需要综合多个段落的问题，请确保回答全面且准确。 7. 5. 控制回答长度，理想情况下不超过参考上下文长度的1.5倍，最多不超过2.5倍。 6. 对于表格查询或需要多段落/多文档综合的问题，给予特别关注并提供更全面的回答。 7.
2.1K11编辑于 2025-03-15 - 来自专栏木头编程 - moTzxx
ThinkPHP5 使用迅搜 (XunSearch) 实现全文检索实例指导
是一个高性能、全功能的全文检索解决方案】 场景描述 此处作为对 xunsearch 的初次使用， 以一个简单的商品 SKU 信息搜索场景进行描述 我已有一张 tp5_xsku表，用来存储商品 ---- ☞ ThinkPHP5 应用框架的配置 此处，注意，应用框架跟前面的 "XunSearch" 服务端不在一个 ip 地址 1). composer 安装 sdk 官方指导文档 —— 【通过 $xsService::save($xs_data,'goods_sku'); 提示 如果操作成功，你会在 xunsearch服务端的 "data"目录下发现一个 "goods_sku" 的文件夹 5) 全文检索应用场景 首先，再次明确一下 “全文检索” 概念 创建索引， 然后查询索引的过程我们称之为全文检索， 索引一次创建可以多次使用，这样就不用了每一次都进行文件数据查分，比较快 其次便是 “全文检索” 的应用场景 1.
1.6K20编辑于 2022-01-06 - 来自专栏大猪的笔记
检索日志
有时需要在大量日志中查找某个关键字。可用以下命令： find . -name "86??"|xargs grep -rn "get_web not hit cache" 从日志命名为 86xx的文件中
69140发布于 2019-11-22 - 来自专栏desperate633
第2-3课 检索数据检索列检索排序数据
这两课主要介绍sql中利用select语句对数据的简单检索。 下面分别讨论不同类型的检索 检索列 单个列 select prod_id from Products; 多个列 select prod_id, prod_name, prod_price from Products ; 所有列 select * from Products; 检索不同值 的列 select distinct vend_id from products; 检索前几列或者后几列 select prod_name from products limit 5; select prod_name from products limit 5 offset 5; 检索排序数据 单个列排序 select prod_name
1.1K20发布于 2018-08-22 - 来自专栏机器学习、深度学习
行人检索
quadruplet network for person re-identification CVPR2017 https://arxiv.org/abs/1704.01719 本文使用深度学习进行行人检索
1K20发布于 2019-05-26 - 来自专栏技术研究和应用
【向量检索研究系列】本地向量检索（下）
1 背景上一篇文章《向量检索研究系列：本地向量检索（上）》介绍了如何加快向量相似度计算，但是一般的向量检索流程还包括对计算结果进行排序，以及有必要的话，在计算相似度之前可以对向量库中的向量进行过滤筛选（ 检索时把检索条件在第一个Map中查询到满足检索条件的广告ID列表，再根据ID列表从第二个Map中取出对应向量列表。大致结构可以参考2.2中向量存储方案图。 在5万数据量以下，分4段的效果最好，大于5万时，分2段的效果较好。数据量非常大的时候是否能并行排序？ 堆排序的性能比较稳定，在5万及以上的数据量时，其排序性能比较好堆排序对比之前的浮点数基数排序和并行浮点数基数排序，在10万以下数据量时，性能相差不大，在10万数据量时还是堆排序的性能较优。 4.2 粗排服务（1）优化后SIMD向量计算P99时延降低62倍，向量检索平均时延降低3倍。5.
2.3K31编辑于 2022-07-14 - 来自专栏技术研究和应用
【向量检索研究系列】本地向量检索（上）
在数据量不大但检索QPS非常高的场景下，使用第三方的向量检索产品可能并不一定是最佳选择，像开源的Faiss、HNSWliib和ScaNN这些优秀的向量检索库比较适用于上亿数量级，而且第三方服务毕竟存在网络请求开销和不稳定性因素 而百万以内的数据是可以接受在业务服务本身内存中存储，这样可以省去很多网络请求时延，而且在服务本身做向量检索，不依赖第三方服务，检索性能相对稳定。 但是在业务服务本身做向量检索会消耗比较多的CPU资源和内存资源，CPU资源是比较稀缺的，而且普通的向量检索效率比较低，时延比较长，如何减少资源消耗和加快向量检索效率成为了优化目标。 $0xc07cfbc5 // vhaddps xmm0, xmm0, xmm0 LONG $0x4211f8c5; BYTE $0x10 // vmovups 但实际上向量检索的流程还有前置的向量过滤（可选流程）和后置的检索结果排序，这两个方面也有进一步优化的空间，以及整体优化后的效果将在下一篇文章《向量检索研究系列：本地向量检索（下）》中进行详细介绍。
1.6K31编辑于 2022-09-13 - 来自专栏铭毅天下
Elasticsearch：普通检索和向量检索的异同？
读者对向量检索和普通检索的区别充满了好奇，所以就有了今天的文章。 以广泛被使用的 Lucene、Elasticsearch、Solr，以及最近出来的一些类似 MeiliSearch、Redisearch 等为代表，基于词元和倒排索引所构建的普通搜索，是建立在准确的搜索内容和检索语句上的 ，他们往往通过各种方式对文档进行分词（analyze），通过诸如BKD tree等数据结构，将拆解出来的词元（token）进行倒排索引，在检索时也会对检索语句进行同样的分词处理，通过相同词元的匹配进行召回
5.7K10编辑于 2022-02-09 - 来自专栏铭毅天下
Elasticsearch 8.X 向量检索和普通检索能否实现组合检索？如何实现？
Elasticsearch：普通检索和向量检索的异同？ POST image-index/_bulk { "index": {} } { "image-vector": [-5, 9, -12], "title": "Image A", "file-type knn-search.html 官方示例如下： POST image-index/_search { "knn": { "field": "image-vector", "query_vector": [-5, : { "field": "image-vector", "query_vector": [ 54, 10, -2 ], "k": 5, : { "field": "image-vector", "query_vector": [ 54, 10, -2 ], "k": 5,
1.6K10编辑于 2024-04-11 - 来自专栏大猪的笔记
信息检索：布尔检索-建立倒排索引(2)
倒排索引用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。假定我们有3个文档：
1.6K20发布于 2019-11-21 - 来自专栏大猪的笔记
信息检索：布尔检索-求交集并集(1)
前言 布尔检索指对文档集进行布尔运算。 要实现布尔检索，关键在于建立倒排索引和求N个集合的交集，并集。在这里，首先实现两个集合的交并集简易算法。 求交集并集 要布尔检索，首先要求两个集合的交集或并集。 arr1[p1:] if p2 < len(arr2): result += arr2[p2:] return result ## test arr1 = [1,3,5,7,8,12 ] arr2 = [1,4,5,6,7,8] print(arr_and(arr1, arr2)) print(arr_or(arr1, arr2))
1.9K11发布于 2019-11-21 - 来自专栏大数据文摘
最强记忆 VS 最强检索：T5 & REALM 你pick谁？
这里提到的两个模型，类比的话，T5 便是那个将一切都记下来并回答的人，而 REALM 则是善于利用它的“搜索引擎”的人。 最强记忆 T5 关于 T5 模型，原理并不难，简单说就是： 一个超大Transformer Encoder-Decoder 模型（11B，110亿参数） Bert 式的文本破坏(corrupt)方法 Replace 最强检索 REALM 基于检索的前辈们都被打爆了，REALM 找回了场子，最主要创新是，将检索模型的训练融入了预训练过程。 在实验结果中，REALM 也与 T5 进行了比较，打爆了 T5，同时参数量少了很多，也比较有解释性。但另一方面，REALM 也因为中间步骤太多，导致超参有些多，训练麻烦。 最强记忆和最强检索，懒惰的我，还是选择检索。
1K31发布于 2020-03-05 - 来自专栏AI科技时讯
图像检索：基于内容的图像检索技术（一）
针对这些包含丰富视觉信息的海量图片，如何在这些浩瀚的图像库中方便、快速、准确地查询并检索到用户所需的或感兴趣的图像，成为多媒体信息检索领域研究的热点。 图像检索按描述图像内容方式的不同可以分为两类，一类是基于文本的图像检索(TBIR, Text Based Image Retrieval)，另一类是基于内容的图像检索(CBIR, Content Based 在进行检索时，用户可以根据自己的兴趣提供查询关键字，检索系统根据用户提供的查询关键字找出那些标注有该查询关键字对应的图片，最后将查询的结果返回给用户。 基于内容的图像检索技术将图像内容的表达和相似性度量交给计算机进行自动的处理，克服了采用文本进行图像检索所面临的缺陷，并且充分发挥了计算机长于计算的优势，大大提高了检索的效率，从而为海量图像库的检索开启了新的大门 ；在医疗诊断方面，医生通过检索医学影像库找到多个病人的相似部位，从而可以协助医生做病情的诊断……基于内容的图像检索技术已经深入到了许许多多的领域，为人们的生活生产提供了极大的便利。
4.1K21发布于 2020-03-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号