将斯坦福 GloVe 词向量数据集索引到 Easysearch 以实现语义搜索

本文将通过一个 Python 实现，详细讲解如何加载斯坦福公开预训练的 GloVe 词向量并将其索引到 Easysearch，以实现高效的语义搜索。

https://nlp.stanford.edu/projects/glove/

我们将逐步分析数据源、Easysearch 连接、索引逻辑以及关键注意事项，确保整个流程逻辑清晰、层次分明。

1、引言

GloVe（Global Vectors for Word Representation）是一种词向量模型，能够将单词映射到密集向量空间，捕捉语义关系，非常适合语义搜索或文本相似性任务。

https://nlp.stanford.edu/projects/glove/

Easysearch支持密集向量字段和k近邻（k-NN）搜索，是存储和查询这些向量的强大工具。

本文将展示如何使用Python将两者结合，重点讲解数据源、连接设置和索引逻辑。

2、前提条件

在开始之前，请确保准备好以下内容：

• Easysearch集群：一个运行中的实例（例如https://127.0.0.1:9200/）并具备访问凭据。

  

• GloVe文件：预训练的GloVe 向量文件（例如glove.6B.50d.txt）。

• Python依赖：安装必要的Python库：

  pip install Easysearch urllib3 numpy

• 索引映射：Easysearch中已创建的索引（knn-test），并配置了支持50维向量的密集向量字段（my_vec）。

  

  极限控制台创建索引

3、数据源：GloVe 向量

3.1 什么是 GloVe？

GloVe 是由斯坦福NLP团队开发的词向量模型，通过在大规模文本语料库（如Wikipedia或Common Crawl）上训练生成。每个单词被表示为一个密集向量（例如50维、100维或300维），这些向量能够捕捉单词的语义信息。

本项目使用glove.6B.50d.txt文件，包含40万个单词，每个单词对应一个50维向量。

https://www.kaggle.com/datasets/watts2/glove6b50dtxt

3.2 文件结构

GloVe 文件是一个纯文本文件，每行表示一个单词及其嵌入向量：

word1 0.123 0.456 -0.789 ... (50个浮点数)
word2 0.234 -0.567 0.890 ... (50个浮点数)

• 第一列：单词（例如“the”、“dog”）。

• 其余列：50个浮点数，表示该单词的向量。

3.3 加载GloVe模型

load_glove_model函数将GloVe文件加载到Python字典中：

def load_glove_model(file_path):
    print("加载GloVe模型")
    glove_model = {}
    with open(file_path, 'r', encoding='utf-8') as f:
        for line in f:
            split_line = line.strip().split()
            word = split_line[0]
            embedding = np.array(split_line[1:], dtype=np.float64)
            glove_model[word] = embedding
    print(f"已加载{len(glove_model)}个单词！")
    return glove_model

• 处理流程：

1. 使用UTF-8编码打开文件，以支持特殊字符。

2. 将每行拆分为单词和其向量。

3. 将向量转换为NumPy数组，便于计算。

4. 将单词和向量存储到字典glove_model中。

• 输出：一个字典，将单词映射到50维NumPy数组（例如，glove_model["dog"]返回一个50维向量）。

• 注意事项：

• • 文件较大（glove.6B.50d.txt约167MB），加载可能需要几秒钟。

    

  • • UTF-8编码确保兼容非ASCII单词。

      

      40万个单词加载

  4、Easysearch 设置

  4.1 连接配置

  脚本使用Easysearch Python客户端连接到Easysearch集群：

  url = "https://127.0.0.1:9200/"
  user_passwd = ('admin', 'dffXXXXXXXXXXXXc57')
  es = Easysearch(
      [url],
      http_auth=user_passwd,
      verify_certs=False,
  )

  • URL：指向Easysearch实例。

  • 认证：使用HTTP基本认证，提供用户名和密码。

  • SSL验证：为简化流程，禁用SSL验证（verify_certs=False），但生产环境中应使用合法证书以确保安全。

  • 警告处理：通过urllib3.disable_warnings和warnings.filterwarnings禁用SSL相关警告（生产环境不建议）。

    

  4.2 集群健康检查（仅测试demo用，本示例可以删除）

  在索引之前，脚本会检查集群状态：

  health = es.cluster.health()
  pprint(health)

  此调用返回集群状态（green、yellow或red）、节点数量和分片分配等信息，确保集群可用于索引。

  4.3 索引映射

  目标索引（knn-test）需预先配置支持密集向量的映射。典型的映射如下：

  {
    "mappings": {
      "properties": {
        "word": { "type": "keyword" },
        "my_vec": { "type": "dense_vector", "dims": 50 }
      }
    }
  }

  • word：以keyword类型存储单词，用于精确匹配。

  • my_vec：一个50维的dense_vector字段，用于存储GloVe向量。

  5、索引逻辑

  index_glove_to_es函数将 GloVe 嵌入分批索引到 Easysearch：

  def index_glove_to_es(glove_model, index_name="knn-test", batch_size=1000):
      print(f"正在将GloVe向量索引到{index_name}")
      actions = []
      count = 0
  
      for word, vector in glove_model.items():
          if len(vector) != 50:
              print(f"由于向量维度错误，跳过单词'{word}'：{len(vector)}")
              continue
  
          action = {
              "_index": index_name,
              "_source": {
                  "word": word,
                  "my_vec": vector.tolist()
              }
          }
          actions.append(action)
          count += 1
  
          if len(actions) >= batch_size:
              from Easysearch.helpers import bulk
              success, failed = bulk(es, actions, raise_on_error=False)
              print(f"索引{success}个文档，{failed}个失败")
              actions = []
  
          if count % 10000 == 0:
              print(f"已处理{count}个单词")
  
      if actions:
          from Easysearch.helpers import bulk
          success, failed = bulk(es, actions, raise_on_error=False)
          print(f"索引{success}个文档，{failed}个失败")
  
      print(f"共处理{count}个单词")
      return count

  5.1 核心组件

  1. 分批处理：

  • 文档以每批1000个（batch_size=1000）的方式索引，平衡内存使用和性能。

  • 使用Easysearch.helpers的bulk API实现高效索引。

  • 每批完成后清空actions列表，释放内存。

    

  1. 文档结构：

  • word：GloVe模型中的单词。

  • my_vec：50维向量，转换为Python列表（Easysearch不支持直接使用NumPy数组）。

  • 每个文档包含：

  • _index字段指定目标索引（knn-test）。

• 错误处理：

• • 检查向量维度是否为50（len(vector) == 50），跳过无效向量并记录警告。

  • bulk API设置raise_on_error=False，防止失败中断流程，失败的文档会被记录。

• 进度跟踪：

• • 每处理10,000个单词记录一次进度。

  • 每批及最后报告成功和失败的文档数量。

  5.2 执行流程

  主程序块协调整个流程：

  if __name__ == "__main__":
      glove_file = "glove.6B.50d.txt"
      index_name = "knn-test"
      glove_model = load_glove_model(glove_file)
      index_glove_to_es(glove_model, index_name)

  1. 指定GloVe文件路径和目标索引。

  2. 将GloVe模型加载到内存。

  3. 将所有向量索引到Easysearch。

  6、性能考虑

  • 内存使用：加载40万个词向量需要约170MB内存。分批索引可避免内存峰值。

  • 索引速度：每批1000个文档适用于大多数系统，可根据集群容量和网络延迟调整。

  • 集群负载：索引40万个文档可能需要几分钟，具体取决于集群的节点数和资源。

  • 错误处理：跳过无效向量确保流程鲁棒性，但可记录这些问题以便进一步分析。

    

  7、潜在改进

  1. 并行索引：使用concurrent.futures并行处理批次，提升索引速度。

  2. 动态映射：如果索引不存在，程序化创建正确的映射。

  3. 数据验证：检查GloVe文件中是否存在重复单词或格式错误。

  4. 安全性：生产环境中启用SSL验证，并使用环境变量存储凭据。

  5. 监控：集成Easysearch的_cat/indices API，实时监控索引增长。

  8、结论

  本流程展示了如何加载GloVe向量并将其索引到 Easysearch，用于语义搜索应用。

  通过分批处理、错误处理和 Easysearch Python 客户端（本质是 Elasticsearch 客户端，由于 Elasticsearch 7.10.2 以后变更了许可模式，所以本文使用的 7.13.1 的客户端），我们实现了一个可扩展且鲁棒的解决方案。

  

  GloVe数据源提供了丰富的语义表示，而 Easysearch 的k-NN搜索功能支持高效的相似性查询。通过小调整，此设置可扩展到其他嵌入模型或更大规模的数据集。

  

  完整代码请参考如下链接：

  https://articles.zsxq.com/id_4p2rr0g6bm3j.html

  更多优化实践，欢迎留言交流 👇

  参考

  [1] https://www.cnblogs.com/infinilabs/p/18313184

  [2] https://docs.infinilabs.com/easysearch/main/docs/references/search/knn_api/

  [3] https://stackoverflow.com/questions/37793118/load-pretrained-glove-vectors-in-python

  

  更短时间更快习得更多干货！
  

  和全球超2000+ Elastic 爱好者一起精进！

  elastic6.cn——ElasticStack进阶助手

  

  抢先一步学习进阶干货！