ES数据库嵌套向量查询

### 如何在 Elasticsearch 中执行嵌套向量查询

#### 创建索引并定义映射
为了能够存储和查询嵌套向量，在创建索引时需指定合适的映射。对于包含多个向量的情况，应该利用 `nested` 类型来表示这些复杂的数据结构。

PUT /my_index
{
  "mappings": {
    "properties": {
      "vectors": {
        "type": "nested",
        "properties": {
          "vector_field": { 
            "type": "dense_vector", 
            "dims": 3
          },
          "metadata": {
            "type": "keyword"
          }
        }
      }
    }
  }
}

此配置允许每个文档拥有若干个带有元数据标签的不同维度的稠密向量[^1]。

#### 插入含有嵌套向量的文档
当准备好了上述索引之后，就可以插入具有嵌套向量属性的新记录了：

POST my_index/_doc/
{
  "title": "Example Document with Nested Vectors",
  "content": "This is an example document...",
  "vectors": [
    {"vector_field":[0.5, -0.2, 0.7], "metadata":"vecA"},
    {"vector_field":[-0.8, 0.9, 0.4], "metadata":"vecB"}
  ]
}

这里展示了如何在一个文档里加入两个不同特征空间下的向量及其关联信息[^3]。

#### 执行嵌套向量相似度搜索
一旦有了适当设置好的索引以及填充了一些测试数据后，便可以通过如下方式发起针对特定子集内所有向量项之间的距离计算请求:

GET /my_index/_search
{
  "_source": ["title","content"],
  "query": {
    "nested": {
      "path": "vectors",
      "score_mode": "max",
      "inner_hits": {},
      "query": {
        "script_score": {
          "query": {"match_all": {}},
          "script": {
            "source": "cosineSimilarity(params.queryVector, 'vectors.vector_field') + 1.0",
            "params": {
              "queryVector": [-0.6, 0.8, 0.1]
            }
          }
        }
      }
    }
  }
}

这段代码片段实现了基于余弦相似性的评分机制，并返回最接近给定查询向量的结果列表；同时还会附带匹配到的具体位置(`inner_hits`)以便进一步分析[^2]。