1. 背景
又两周过去了，本qiang~依然奋斗在上周提到的项目KBQA集成LLM，感兴趣的可通过传送门查阅先前的文章《LLM应用实战：当KBQA集成LLM》。
本次又有什么更新呢？主要是针对上次提到的缺点进行优化改进。主要包含如下方面：
1. 数据落库
上次文章提到，KBQA服务会将图谱的概念、属性、实体、属性值全部加载到内存，所有的查询均在内存中进行，随之而来的问题就是如果图谱的体量很大呢，那内存不爆了么…
2. 支持基于属性值查实体
上篇文章不支持属性值查找实体，比如”最会照顾宝宝的是什么龙”，”什么龙是大龙和大龙生活，小龙和小龙生活”。本次已经此问题优化。
此篇文章是对这两周工作的一个整体总结，其中包含部分工程层面的优化。
2. 整体框架
整体框架和上篇大致相同，不同之处在于：
1. 对齐模块：先前是基于SIM筛选候选实体，本次基于ES进行候选实体召回
2. 解析模块：先前是基于hugegraph和内存中的实体信息进行解析，本次优化为基于hugegraph和elasticsearch
3. 核心功能
3.1 数据库选型
由于需要支撑语义相似度检索，因此数据库选型为Milvus与Elasticsearch。
二者之间的比对如下：
|
|
Milvus |
Elastic |
扩展性层面 |
存储和计算分离 |
✅ |
❌ |
查询和插入分类 |
组件级别支持 |
服务器层面支持 |
|
多副本 |
✅ |
✅ |
|
动态分段 vs 静态分片 |
动态分段 |
静态分片 |
|
云原生 |
✅ |
✅ |
|
十亿级规模向量支持 |
✅ |
❌ |
|
功能性层面 |
权限控制 |
✅ |
✅ |
磁盘索引支撑 |
✅ |
❌ |
|
混合搜索 |
✅ |
✅ |
|
分区/命名空间/逻辑组 |
✅ |
❌ |
|
索引类型 |
11个(FLAT, IVF_FLAT, HNSW)等 |
1个(HNSW) |
|
多内存索引支持 |
✅ |
❌ |
|
专门构建层面 |
为向量而设计 |
✅ |
❌ |
可调一致性 |
✅ |
❌ |
|
流批向量数据支持 |
✅ |
✅ |
|
二进制向量支持 |
✅ |
✅ |
|
多语言SDK |
python, java, go, c++, node.js, ruby |
python, java, go, c++, node.js, ruby, Rust, C#, PHP, Perl |
|
数据库回滚 |
✅ |
❌ |
但由于Milvus针对国产化环境如华为Atlas适配不佳，而Es支持国产化环境，因此考虑到环境通用性，选择Es，且其文本搜索能力较强。
3.2 表结构设计
由于知识图谱的概念、属性一般量级较少，而实体数随着原始数据的丰富程度客场可短。因此将实体及其属性值在Es中进行存储。
针对KBQA集成LLM的场景，有两块内容会涉及语义搜索召回。
1. 对齐prompt中的候选实体
2. 解析模块中存在需要基于属性值查询实体的情况。
3. 涉及到数值类型的查询，如大于xx，最大，最小之类。
综合考虑，将Es的index结构设计如下：
属性 |
含义 |
类型 |
备注 |
name |
实体名 |
keyword |
|
concepts |
所属概念 |
keyword |
一个实体可能存在多个概念 |
property |
属性 |
keyword |
属性名称 |
value |
属性值 |
text |
ik分词器进行分词 |
numbers |
数值属性值 |
double_range |
会存在一个区间范围 |
embeddings |
向量 |
elastiknn_dense_float_vector |
1. 非数值属性对应value的向量 2. 使用elastiknn插件 |
3.3 安装部署
项目使用的Es版本是8.12.2，原因是elastiknn插件和Ik插件针对该版本均支持，且8.12.2版本是当前阶段的次新版本。
3.3.1 基于docker的ES部署
# 拉取镜像(最好先设置国内镜像加入) docker pull elasticsearch:8.12.2
# es容器启动，存在SSL鉴权 docker run -d --name es01 --net host -p 9200:9200 -it -e "ES_JAVA_OPTS=-Xms1024m -Xmx1024m" elasticsearch:8.13.2
# 容器中拉取需要鉴权的信息到本地 docker cp es01:/usr/share/elasticsearch/config/certs/http_ca.crt . chmode 777 http_ca.crt
# 密码第一次启动的日志中有，需要保存下来 export ELASTIC_PASSWORD=xxxxxx
# 验证es是否启动成功 curl --cacert http_ca.crt -u elastic:$ELASTIC_PASSWORD https://localhost:9200 |
3.3.2 elastiknn插件集成
elastiknn插件是为了优化ES自身的向量检索性能，安装此插件后，ES的向量检索性能会提升数倍，如果再增加SSD固态硬盘，性能会进一步提升数倍。
#下载插件包 wget https://github.com/alexklibisz/elastiknn/releases/download/8.12.2.1/elastiknn-8.12.2.1.zip
# 导入容器中指定目录 docker cp elastiknn-8.12.2.1.zip es01:/usr/share/elasticsearch/
# 进入容器，默认目录即为/usr/share/elasticsearch/ docker exec -it es01 bash
# 安装插件 elasticsearch-plugin install file:elastiknn-8.12.2.1.zip
# 退出，重启容器 docker restart es01
# 验证 # 创建mapping curl --cacert http_ca.crt -u elastic:$ELASTIC_PASSWORD -XPOST https://localhost:9200/test/_mapping -H 'Content-Type:application/json' -d ' { "properties": { "embeddings": { "type": "elastiknn_dense_float_vector", "elastiknn": { "model": "lsh", "similarity": "cosine", "dims": 768, "L": 99, "k": 3 } } } }'
# 验证mapping是否生效 curl --cacert http_ca.crt -u elastic:$ELASTIC_PASSWORD -XGET https://localhost:9200/test/_mapping?pretty
|
采坑总结：
1. elastiknn插件导入始终无法安装，且报错。
解决：
(1) 一定要注意，安装es插件需要指定路径，且增加”file:” 的前缀，不加此前缀，那就等着报错吧
(2) 拷贝到容器内部，一定要注意，不要将elastiknn-8.12.2.1.zip拷贝至/usr/share/elasticsearch/plugins目录，否则安装也报错。
3.3.3 ik分词器插件集成
#下载插件包
# 导入容器中指定目录 docker cp elasticsearch-analysis-ik-8.12.2.zip es01:/usr/share/elasticsearch/
# 进入容器，默认目录即为/usr/share/elasticsearch/ docker exec -it es01 bash
# 安装插件 elasticsearch-plugin install file:elasticsearch-analysis-ik-8.12.2.zip
# 退出，重启容器 docker restart es01
# 验证是否生效 curl --cacert http_ca.crt -u elastic:$ELASTIC_PASSWORD -XPOST https://localhost:9200/_analyze?pretty -H 'Content-Type:application/json' -d '{"text":"三角龙或者霸王龙","analyzer": "ik_smart"}' # 返回结果中不包含”或者”，因为”或者”在默认的停用词表中。 |
采坑总结：
1. ik分词器插件导入始终无法安装，且报错。
解决：一定要注意，安装es插件需要指定路径，且增加”file:” 的前缀，不加此前缀，那就等着报错吧
2. ik分词器添加自定义专有名词以及停用词不生效(浪费了1天的时间来排查)
解决：
(1) 一定要注意，8.12.2版本的ik分词器如果想要配置自定义专有名词或停用词，配置的完整目录是/usr/share/elasticsearch/config/analysis-ik，而不是/usr/share/elasticsearch/plugins/analysis-ik，这点需要注意下。
在config/analysis-ik中配置IKAnalyzer.cfg.xml，修改内容如下：
<?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> <properties> <comment>IK Analyzer 扩展配置</comment> <!--用户可以在这里配置自己的扩展字典 --> <entry key="ext_dict">extra_main.dic</entry> <!--用户可以在这里配置自己的扩展停止词字典--> <entry key="ext_stopwords">extra_stopword.dic</entry> <!--用户可以在这里配置远程扩展字典 --> <!-- <entry key="remote_ext_dict">words_location</entry> --> <!--用户可以在这里配置远程扩展停止词字典--> <!-- <entry key="remote_ext_stopwords">words_location</entry> --> </properties> |
(2) 一定要注意，extra_main.dic和extra_stopword.dic的编码格式是UTF-8，如果编码格式不对的话，分词也不生效。
4. Es操作相关源码
4.1 es_client连接
self.es_client = Elasticsearch(config['url'], basic_auth=(config['user'], config['password']), ca_certs=config['crt_path'], http_compress=True, request_timeout=int(config['request_timeout']) if 'request_timeout' in config else 60, max_retries=int(config['max_retries']) if 'max_retries' in config else 5, retry_on_timeout=True) |
4.2 构建表结构
def index(self, kg_id, force=False): """ 构建表 """ if force: try: self.es_client.indices.delete(index=kg_id, ignore_unavailable=True) except EngineError as e: logger.exception(f"code:{ES_DELETE_INDEX_ERROR}, message:{str(e)}") raise e
if not self.es_client.indices.exists(index=kg_id): body = { 'settings': {'index': {'number_of_shards': 2}}, 'mappings': { 'dynamic': False, 'properties': { 'name': {'type': 'keyword'}, 'concepts': {'type': 'keyword'}, 'property': {'type': 'keyword'}, 'value': {'type': 'text', 'analyzer': 'ik_max_word', 'search_analyzer': 'ik_smart'}, 'numbers': {'type': 'double_range'}, 'embeddings': {'type': 'elastiknn_dense_float_vector', 'elastiknn': {'dims': 768, 'model': 'lsh', 'similarity': 'cosine', 'L': 99, 'k': 3}} } } } try: self.es_client.indices.create(index=kg_id, body=body) except EngineError as e: logger.exception(f"code:1008, message:{str(e)}") raise e try: self.es_client.indices.refresh(index=kg_id, ignore_unavailable=True) except EngineError as e: logger.exception(f"code:1008, message:{str(e)}") raise e |
说明：
1. value字段需要经过IK分词，分词方式ik_max_word，查询方式是ik_smart
2. embeddings的类型为elastiknn_dense_float_vector，其中向量维度为768，相似度计算使用cosine
4.3 候选实体查询
def get_candidate_entities(self, kg_id, query, limit=15): """ 基于查询串查找候选实体名称 """ body = { '_source': {'excludes': ["embeddings"]}, 'query': { 'function_score': { 'query': { 'bool': { 'must': [ {'match': {'value': query}}, {'bool': { 'filter': { 'bool': { 'should': [ {'term': {"property": "名称"}}, {'term': {"property": "别名"}}, ] } } }} ] } }, 'functions': [ { 'elastiknn_nearest_neighbors': { 'field': 'embeddings', 'vec': self.get_callback_ans({'query': [query]})['result'][0]['embeddings'], 'model': 'lsh', 'similarity': 'cosine', 'candidates': 100 } } ] } }, 'size': limit } return self.es_client.search(index=kg_id, body=body)['hits']['hits'] |
说明：
1. '_source': {'excludes': ["embeddings"]}表示输出结果中过滤embeddings字段
2. 查询以function_score方式，其中的query表示别名或名称与问题的匹配程度，functions表示打分方式，目前的打分是基于向量相似度进行打分，其中, self.get_callback_ans表示语义相似度模型将文本转换为向量。注意：最终的得分由两部分组成，一部分是文本匹配，一部分是语义相似度匹配，不过可以增加参数boost_mode进行设置。
4.4 基于属性及属性值进行查询
def search_by_property_value(self, kg_id, property, value, limit=100): body = { '_source': {'excludes': ["embeddings"]}, 'query': { 'function_score': { 'query': { 'bool': { 'must': [ {'match': {'value': value}}, {'term': {"property": property}} ] } }, 'functions': [ { 'elastiknn_nearest_neighbors': { 'field': 'embeddings', 'vec': self.get_callback_ans({'query': [value]})['result'][0]['embeddings'], 'model': 'lsh', 'similarity': 'cosine', 'candidates': 100 } } ], 'boost_mode': 'replace' } }, 'size': limit } try: return self.es_client.search(index=kg_id, body=body)['hits']['hits'] except EngineError as e: logger.exception(f"code:{ES_SEARCH_ERROR}, message:{str(e)}") raise e |
4.5 数值属性范围查询
主要解决的场景有：体重大于9吨的恐龙有哪些？身长小于10米的角龙类有哪些？
其中，如果提供了实体名称，则查询范围是基于这些实体进行查询比较。
def search_by_number_property(self, kg_id, property, operate, entities, limit=100): musts = [{'term': {'property': property}}, {'range': {'numbers': operate}}] if entities: musts.append({'terms': {'name': entities}})
body = { '_source': {'excludes': ['embeddings']}, 'query': { 'bool': { 'must': musts } }, 'size': limit } try: return self.es_client.search(index=kg_id, body=body)['hits']['hits'] except EngineError as e: logger.exception(f"code:{ES_SEARCH_ERROR}, message:{str(e)}") raise e |
4.6 数值属性最大最小查询
实现最大最小的逻辑，采用了sort机制，按照numbers进行排序，最大则顺排，最小则倒排。
def search_by_number_property_maxmin(self, kg_id, property, entities, sort_flag): musts = [{'term': {'property': property}}] if entities: musts.append({'terms': {'name': entities}})
body = { '_source': {'excludes': ["embeddings"]}, 'query': { 'bool': { 'must': musts } }, 'sort': {'numbers': sort_flag}, 'size': 1 } try: return self.es_client.search(index=kg_id, body=body)['hits']['hits'] except EngineError as e: logger.exception(f"code:{ES_SEARCH_ERROR}, message:{str(e)}") raise e |
5. 效果
上一版未解决的问题，在本版本优化的结果。
1. 问：头像鸭头的龙有哪些？
答：头像鸭头的有慈母龙、原角龙、鹦鹉嘴龙、姜氏巴克龙、奇异辽宁龙、多背棘沱江龙、陆家屯鹦鹉嘴龙、盖斯顿龙、小盾龙、肿头龙、弯龙
2. 问：老师说的有一个特别会照顾宝宝的恐龙是什么龙？
答：慈母龙会照顾宝宝。
3. 问：有哪些恐龙会游泳啊？
答：滑齿龙、慢龙和色雷斯龙是会游泳的恐龙。
4. 问：科学家在意大利阿尔卑斯山脉Preone山谷的乌迪内附近发现了一个会飞的史前动物化石，它是谁的化石？
答：科学家在意大利阿尔卑斯山脉Preone山谷的乌迪内附近发现的会飞的史前动物化石是沛温翼龙的化石。
6. 总结
一句话足矣~
本文主要是针对KBQA方案基于LLM实现存在的问题进行优化，主要涉及到图谱存储至Es，且支持Es的向量检索，还有解决了一部分基于属性值倒查实体的场景，且效果相对提升。
其次，提供了部分Es的操作源码，以飧读者。
附件：
1. es vs milvus: https://zilliz.com/comparison/milvus-vs-elastic
2. docker安装es：https://www.elastic.co/guide/en/elasticsearch/reference/8.12/docker.html
3. elastiknn性能分析：https://blog.csdn.net/star1210644725/article/details/134021552
4. es的function_score: https://www.elastic.co/guide/en/elasticsearch/reference/8.12/query-dsl-function-score-query.html
