Milvus x Lucidworks 快速构建语义检索

语义检索 [1]（Semantic Search) 是能帮助你的客户或员工找到正确的产品或信息的绝佳工具，它甚至可以检索到一些难以被索引的信息，从而获得更好的结果。即便如此，倘若你所部署的方案没有速度优势，那也无济于事。如果系统响应查询请求的速度非常缓慢，客户或员工可没有耐心干等着，更不用说可能还有其他上千个查询请求在同时发生。

如果低效的语义检索难以胜任，那么如何进行高速的语义检索呢？

幸运的是，Lucidworks 热衷于解决此类问题。最近，我们测试了一个中等规模的集群（详情请看下文），针对逾百万文档的集合，可达到每秒 1,500 RPS（每秒请求率），平均响应时间约 40 毫秒。这个速度可以说是非常可观了。

执行语义检索

为了让机器学习达到闪电般快的速度，Lucidworks 通过向量搜索的方法执行语义检索，由两个关键部分组成。

第一部分：机器学习模型

首先，你需要将文本编码为特征向量。文本可以是产品说明、用户搜索查询指令、问题，甚至是问题的答案。训练语义模型对文本进行编码，语义上相似的文本被编码为数值上彼此“接近”的向量。为了支持每秒可能出现的数千个或更多的客户搜索或用户查询，该编码步骤需要快速完成。

第二部分：向量搜索引擎

其次，你需要一种能快速找到客户搜索或用户查询的最匹配结果的方法。前文中的模型已经将文本编码为特征向量。接着，将这个向量与目录或问答列表中的所有特征向量进行比较，找到与之最匹配的向量，即与查询向量“最接近”的向量。为此，一个能迅速高效地处理所有这些信息的向量引擎必不可少。引擎中可能包含了数百万个向量，而你实际上只需要其中匹配度最高的二十个左右。当然，它每秒需要处理约一千条此类查询。

为了解决这些难题，我们在 Fusion 5.3 版本[2]中添加了向量搜索引擎 Milvus[3]。Milvus 是一款开源软件，拥有极高的搜索速度。Milvus 采用的是 Facebook AI Similarity Search[4]（FAISS，即 Facebook 人工智能相似性搜索）开源库，Facebook 在其自己的机器学习计划的生产中使用的也是这一技术。如有需要，它甚至可以在 GPU[5]的支持下运行得更快。Fusion 5.3（或更高版本）与机器学习组件一起安装时，Milvus 会作为该组件的一部分自动安装，轻松开启所有这些功能。

在创建集合的时候需要指定向量的维度（大小），这个向量的维度取决于生成这些向量的模型。例如，通过模型可以将产品目录中所有产品描述都编码为向量，并存储于一个给定的集合中。如果没有像 Milvus 这样的向量搜索引擎，那么就无法在整个向量空间上进行相似性搜索，而只能局限于从向量空间中预选出的候选项（比如 500 条），且性能低下、质量不佳。Milvus 可以存储多个向量集合的数千亿条向量，保证搜索快速且结果相关。

使用语义检索

在了解了 Milvus 如此重要的原因后，让我们回到语义检索的工作流程。语义检索分为三个阶段：第一阶段是加载和/或训练机器学习模型；接着，将数据导入到 Milvus 和 Solr 中并建立索引；最后是查询阶段，即实际搜索发生的阶段。下面将重点介绍后两个阶段。

导入 Milvus 并建立索引

如上图所示，在建立索引阶段，对给定的数据源中的每个文档执行以下步骤：

1. 将文档发送到 Smart Answers 数据管道。
2. 将所选文档字段（例如，问答系统中的答案或电子商务系统中的产品描述）发送到机器学习模型。
3. 机器学习模型返回一个特征向量（对字段编码生成）。向量大小取决于模型类型。
4. 向量和其唯一的 ID 存储在 Milvus 集合中。
5. 该文档和先前的唯一 ID 存储在 Solr 中。

当然，你也可以做一些调整，例如在 Milvus 中编码并储存多个字段。接下来，让我们进入第二阶段。

使用 Milvus 查询

如上图所示，查询阶段与索引阶段的起始步骤类似，只是将进入管道的文档换成了查询指令。步骤如下：

1. 发送查询至 Smart Answers[6]数据管道。
2. 发送查询指令到机器学习模型。
3. 机器学习模型返回一个特征向量（从查询请求中加密）。同样地，向量大小取决于模型类型。
4. 将该向量发送到 Milvus，然后由 Milvus 判断指定集合中哪些向量与提供的向量匹配度最高。
5. Milvus 返回与步骤 4 中确定的向量相对应的唯一 ID 和距离列表。
6. 将包含这些 ID 和距离的查询指令发送到 Solr。
7. Solr 返回这些 ID 的关联文档的有序列表。

扩展测试

为了证明我们的语义检索流程的效率符合我们的客户服务要求，我们使用 Gatling 脚本在 Google Cloud 平台上进行了扩展测试，启动了 8 个机器学习模型副本、8 个查询服务副本以及一个 Milvus 实例的 Fusion 集群。测试使用 Milvus FLAT 和 HNSW 索引。FLAT 索引的召回率是 100％，但效率较低——除非数据集较小。而 HNSW 索引在保证高质量结果的前提下，针对较大规模的数据集进一步提升了性能。

以下测量数值均来自最近运行的示例：

参考资料：

[1] Lucidworks 原文: https://lucidworks.com/post/what-is-semantic-search/

[2] Lucidworks Fusion 5.3 版本: https://lucidworks.com/post/enhance-personalization-efforts-with-new-features-in-fusion/

[3] Milvus: https://doc.lucidworks.com/fusion/5.3/8821/milvus

[4] FAISS: https://ai.facebook.com/tools/faiss/

[5] GPU: https://en.wikipedia.org/wiki/Graphics_processing_unit

[6] Lucidworks Smart Answers: https://lucidworks.com/products/smart-answers/