做调查的网站知乎,江西省建设工程学校网站,苏州网络公司排行榜,wordpress好看主题作者#xff1a;来自 Elastic Shubha Anjur Tupil 几分钟内即可开始使用 Elastic Rerank 模型#xff1a;强大的语义搜索功能#xff0c;无需重新索引#xff0c;提供灵活性和成本控制#xff1b;高相关性、顶级性能和文本搜索效率。 使用我们全新的先进跨编码器 Elastic …作者来自 Elastic Shubha Anjur Tupil 几分钟内即可开始使用 Elastic Rerank 模型强大的语义搜索功能无需重新索引提供灵活性和成本控制高相关性、顶级性能和文本搜索效率。 使用我们全新的先进跨编码器 Elastic Rerank 模型技术预览版将你的搜索体验提升至 11 级。重新排名模型可为任何搜索体验提供语义提升而无需你更改数据架构让你有空间在自己的时间和预算范围内探索其他语义相关性工具。
语义提升你的关键字搜索无论你的数据今天存储、索引或搜索的位置或方式如何语义重新排名都是一个简单的附加步骤可让你通过语义理解提升现有的搜索结果。你可以根据需要灵活地应用此功能 - 无需更改现有数据或索引管道并且你可以使用 Elastic 基础模型作为你的首选。
适合任何预算的选择灵活性所有搜索体验都可以通过添加语义含义来改善这通常通过使用密集或稀疏向量模型例如 ELSER来应用。但是实现相关性目标并不需要一刀切的解决方案而是需要混合搭配工具来平衡性能和成本。混合搜索就是这样一种选择它通过使用 Elasticsearch 中的倒数排名融合 (reciprocal rank fusion - RRF) 将语义搜索与关键字搜索相结合来提高相关性。Elastic Rerank 模型现在是代替语义搜索增强搜索相关性的额外杠杆让你可以灵活地优化相关性和预算。
我们最初在 serverless 上提供但现在在 Elasticsearch 8.17 的技术预览版中可用我们的模型的优势超过了当今市场上的其他模型。
高性能和高效Elastic Rerank 模型优于其他明显更大的重新排名模型。它基于 DeBERTa v3 架构构建并通过对多样化数据集的提炼进行了微调。我们的详细测试表明在广泛的检索任务上提升了 40%在问答数据集上提升了高达 90%。
相比之下Elastic Rerank 模型在相关性方面明显更胜一筹甚至与更大的模型相当。在我们的测试中一些模型例如 bge-re-ranker-v2-gemma在相关性方面最接近但在参数数量方面则大一个数量级。话虽如此我们在 Open Inference API 中提供了集成以便访问其他第三方重新排序程序因此你可以轻松测试并亲自查看。 易于使用
Elastic Rerank 模型不仅具有出色的性能和成本特性我们还使其非常易于使用以提高词汇搜索的相关性。我们希望提供易于使用的原语帮助你快速构建有效的搜索而无需做出大量决策从使用哪种模型到如何在搜索管道中使用它们。我们让它易于上手和扩展。
你现在可以将 Inference API 与 text_similiarity_reranker 检索器结合使用 Elastic Rerank。下载并部署后每个搜索请求都可以处理完整的混合搜索查询并在一个简单的 _search 查询中对结果集进行重新排序。
PUT _inference/rerank/elastic-rerank
{service: elasticsearch,service_settings: {model_id: .rerank-v1,num_allocations: 1,num_threads: 1}
}
将 Elastic Rerank 模型集成到你的代码中非常容易可以组合不同的检索器以将混合搜索与重新排名相结合。以下是使用 ELSER 进行语义搜索、使用 RRF 进行混合搜索并使用重新排名器对结果进行排名的示例。
GET retrievers_example/_search
{retriever: {text_similarity_reranker: {retriever: {rrf: {retrievers: [{standard: {query: {sparse_vector: {field: vector.tokens,inference_id: .elser-2-elasticsearch,query: Cobrai Kai was a homage to the greatest movie of all time!}}}},{knn: {field: vector,query_vector: [0.23,0.67,0.89],k: 3,num_candidates: 5}}],rank_window_size: 10,rank_constant: 1}},field: text,inference_id: elastic-rerank,inference_text: Which show continues the awesomeness of Karate Kid, the 1984 movie?}},_source: [text, topic]
}
如果你拥有像我这样的有趣数据集将对人工智能的热爱与 Cobrai Kai 结合起来你将获得一些有意义的东西。 总结
仅限英语的跨编码器模型语义提升你的关键字搜索几乎不改变数据的索引和搜索方式对与索引和搜索分离的语义提升成本有更大的控制和灵活性重复使用你已经在 Elasticsearch 中拥有的数据显著提高相关性和性能与明显更大的模型相比在大量检索任务中平均提高 40%在问答任务中提高高达 90%使用超过 21 个数据集进行测试平均 nDCG10 提高 13 分易于使用开箱即用内置于 Elastic Inference API易于加载和用于搜索管道在我们的产品套件中提供技术预览最简单的入门方式是使用 Elasticsearch Serverless
如果你想阅读我们如何构建它的所有细节请访问我们的 Search Labs 博客。 Elasticsearch 包含许多新功能可帮助你为你的用例构建最佳搜索解决方案。深入了解我们的示例笔记本以了解更多信息开始免费云试用或立即在本地机器上试用 Elastic。 更多阅读介绍 Elastic RerankElastic 的新语义重新排序模型 原文cRank it up! - Introducing the Elastic Rerank model (in Technical Preview) - Elasticsearch Labs
