Elasticsearch中的**语义搜索（Semantic Search）**是一种基于文本语义理解的搜索技术，它能够超越传统的关键词匹配，识别查询与文档之间的语义相关性，从而提供更精准、更符合用户意图的搜索结果。这种技术通过捕捉文本背后的含义、上下文和概念关联，解决了传统搜索中常见的同义词、近义词、多义词和语义模糊等问题。
一、核心原理与技术
- 向量表示（Vector Embedding）
- 将文本（查询或文档）转换为高维向量空间中的点，使语义相近的文本在向量空间中距离更接近。
- 实现方式：
- 使用预训练语言模型（如BERT、OpenAI的Embeddings API）生成文本向量。
- Elasticsearch内置的Dense Vector字段类型存储这些向量。
- 向量相似度计算
- 比较查询向量与文档向量的相似度，常用方法：
- 余弦相似度（Cosine Similarity）：计算两个向量夹角的余弦值，值越接近1表示越相似。
- 欧氏距离（Euclidean Distance）：计算向量空间中两点的直线距离，值越小表示越相似。
- 混合搜索
