Elasticsearch:FalconSeek ベクトルインデックス ユーザーガイド

このドキュメントでは、ベクトル取得のための FalconSeek の高度な使用方法について説明します。HNSW や RabitQGraph などのアルゴリズムを選択して、大規模データのコスト効率の高いストレージや極端なパフォーマンス最適化など、特定のニーズに合わせてクエリを高速化する方法を解説します。このガイドでは、アルゴリズムの選択、パラメーター設定、インデックス管理、動的チューニング技術について説明し、効率的なベクトル取得を実装するための完全なコード例を提供します。

背景情報

FalconSeek は、Alibaba Cloud Elasticsearch (ES) の元のインデックス構造を強化し、新しい C++ ベースのベクトルエンジンインデックスを追加します。FalconSeek ベクトルインデックスは Alibaba によって開発され、Taobao、Tmall Search、Recommendation、Pailitao (画像検索) など、Alibaba Group 内の主要なサービスをサポートしています。FalconSeek カーネルに統合されたパフォーマンス専有型ベクトルインデックスを使用して、画像検索やセマンティック検索などの効率的な AI アプリケーションを構築できます。

FalconSeek ベクトルインデックスは、k-近傍法 (k-NN) 検索などのオープンソース ES ベクトルエンジン機能と完全に互換性があります。Alibaba Cloud ES インデックスで FalconSeek を使用するには、インデックス構成で index_options.type を havenask_native に設定します。高度なパラメーター設定の詳細については、以下の詳細な説明をご参照ください。

使用例

基本例

以下の例は、ベクトルデータを保存および取得するためのインデックスを作成する方法を示しています。インデックス名は my_falcon_seek_index です。これには、product_vector という名前の 128 ディメンションのベクトルフィールドが含まれており、HNSW アルゴリズムを使用します。

1. インデックスの作成

   PUT /my_falcon_seek_index
   {
     "settings": {
       "number_of_shards": 1,
       "number_of_replicas": 0
     },
     "mappings": {
       "properties": {
         "product_vector": {
           "type": "dense_vector",
           "dims": 128,
           "index": true,
           "similarity": "l2_norm",
           "index_options": {
             "type": "havenask_native",
             "knn_type": "HNSW",
             "m": 32,
             "ef_construction": 400
           }
         },
         "category": {
           "type": "keyword" 
         }
       }
     }
   }

   コアパラメーター

   • dense_vector フィールドタイプは、密ベクトルデータを格納するために使用されます。mappings でこのタイプのフィールドを定義する場合、次のコアプロパティを指定する必要があります：

     • dims：ベクトルのディメンション。

     • similarity：ベクトル間の類似度を計算する関数。

     • index_options：アルゴリズムタイプや関連パラメーターなど、ベクトルインデックスの詳細な設定。

   • similarity 関数は、2 つのベクトル間の類似度を測定するために使用されます。適切な関数を選択することは、取得パフォーマンスにとって重大です。

     関数	説明	シナリオ
     l2_norm	ユークリッド距離。この関数は、多次元空間における 2 つのベクトル間の直線距離を計算します。距離が小さいほど、類似性が高くなります。	画像認識や顔認識などの一般的なシナリオ。
     cosine	コサイン類似度。この関数は、2 つのベクトル方向間の角度のコサインを計算します。値が 1 に近いほど、類似性が高くなります。	テキストのセマンティック類似度分析。この関数はベクトルの長さに影響されません。
     dot_product	内積。この関数は、2 つのベクトルのドット積を計算します。値が大きいほど、類似性が高くなります。	レコメンデーションシステムなど、ベクトルの大きさを考慮する必要があるシナリオに適しています。
     max_inner_product	dot_product と同じですが、ベクトルの正規化は不要です。	レコメンデーションシステムなど、ベクトルの大きさを考慮する必要があるシナリオに適しています。

2. データの書き込み。ベクトルと、プロダクトカテゴリなどのメタデータを含むドキュメントをインデックスに書き込むことができます。product_vector 配列の長さは、dims (128) で定義されたディメンションと同じでなければなりません。

   POST /my_falcon_seek_index/_doc/1
   {
     "product_vector": [0.12, -0.05, 0.08, 0.24, -0.17, 0.31, 0.02, -0.19, 0.11, 0.28,
       -0.03, 0.15, 0.22, -0.11, 0.09, 0.33, -0.07, 0.14, 0.26, -0.21,
       0.18, 0.29, -0.13, 0.06, 0.35, -0.08, 0.16, 0.23, -0.15, 0.12, 
       0.27, -0.22, 0.19, 0.32, -0.14, 0.07, 0.25, -0.18, 0.13, 0.30,
       -0.09, 0.17, 0.24, -0.16, 0.10, 0.34, -0.10, 0.20, 0.31, -0.23,
       0.15, 0.28, -0.12, 0.11, 0.26, -0.19, 0.14, 0.29, -0.17, 0.08,
       0.22, -0.20, 0.16, 0.27, -0.15, 0.09, 0.25, -0.21, 0.18, 0.30,
       -0.13, 0.07, 0.24, -0.22, 0.19, 0.32, -0.16, 0.10, 0.26, -0.18,
       0.12, 0.28, -0.14, 0.06, 0.23, -0.19, 0.15, 0.29, -0.11, 0.05,
       0.21, -0.17, 0.13, 0.27, -0.10, 0.04, 0.20, -0.15, 0.11, 0.25,
       -0.09, 0.03, 0.19, -0.13, 0.10, 0.24, -0.08, 0.02, 0.18, -0.12,
       0.09, 0.23, -0.07, 0.01, 0.17, -0.11, 0.08, 0.22, 0.05, -0.06,
       0.09, 0.23, -0.07, 0.01, 0.17, -0.11, 0.08, 0.22],
     "category": "clothes"
   }
   POST /my_falcon_seek_index/_doc/2
   {"product_vector":[0.12, -0.05, 0.08, 0.24, -0.17, 0.31, 0.02, -0.19, 0.11, 0.28,
       -0.03, 0.15, 0.22, -0.11, 0.09, 0.33, -0.07, 0.14, 0.26, -0.21,
       0.18, 0.29, -0.13, 0.06, 0.35, -0.08, 0.16, 0.23, -0.15, 0.12, 
       0.27, -0.22, 0.19, 0.32, -0.14, 0.07, 0.25, -0.18, 0.13, 0.30,
       -0.09, 0.17, 0.24, -0.16, 0.10, 0.34, -0.10, 0.20, 0.31, -0.23,
       0.15, 0.28, -0.12, 0.11, 0.26, -0.19, 0.14, 0.29, -0.17, 0.08,
       0.22, -0.20, 0.16, 0.27, -0.15, 0.09, 0.25, -0.21, 0.18, 0.30,
       -0.13, 0.07, 0.24, -0.22, 0.19, 0.32, -0.16, 0.10, 0.26, -0.18,
       0.12, 0.28, -0.14, 0.06, 0.23, -0.19, 0.15, 0.29, -0.11, 0.05,
       0.21, -0.17, 0.13, 0.27, -0.10, 0.04, 0.20, -0.15, 0.11, 0.25,
       -0.09, 0.03, 0.19, -0.13, 0.10, 0.24, -0.08, 0.02, 0.18, -0.12,
       0.09, 0.23, -0.07, 0.01, 0.17, -0.11, 0.08, 0.22, 0.05, -0.06,
       0.09, 0.23, -0.07, 0.01, 0.17, -0.11, 0.08, 0.22],"category": "clothes"}

3. ベクトル取得 (k-NN)。指定されたクエリベクトルに基づいて、最も類似した 5 つのドキュメントを見つけることができます。

   GET /my_falcon_seek_index/_search
   {
     "knn": {
       "field": "product_vector",
       "query_vector": [0.12, -0.05, 0.01, 0.24, -0.17, 0.31, 0.02, -0.19, 0.11, 0.28,
       -0.03, 0.15, 0.22, -0.11, 0.09, 0.23, -0.07, 0.14, 0.26, -0.21,
       0.18, 0.29, -0.13, 0.06, 0.35, -0.18, 0.16, 0.23, -0.15, 0.12, 
       0.27, -0.22, 0.19, 0.32, -0.14, 0.87, 0.25, -0.18, 0.13, 0.30,
       -0.09, 0.17, 0.24, -0.16, 0.10, 0.64, -0.10, 0.20, 0.31, -0.23,
       0.15, 0.28, -0.12, 0.11, 0.26, -0.19, 0.14, 0.29, -0.17, 0.08,
       0.22, -0.20, 0.16, 0.27, -0.15, 0.09, 0.25, -0.21, 0.18, 0.30,
       -0.13, 0.07, 0.24, -0.22, 0.19, 0.52, -0.16, 0.10, 0.26, -0.18,
       0.12, 0.28, -0.14, 0.06, 0.23, -0.19, 0.14, 0.29, -0.11, 0.05,
       0.21, -0.17, 0.13, 0.27, -0.10, 0.04, 0.20, -0.15, 0.11, 0.25,
       -0.09, 0.03, 0.19, -0.13, 0.10, 0.24, -0.08, 0.02, 0.18, -0.12,
       0.09, 0.23, -0.07, 0.01, 0.17, -0.11, 0.08, 0.22, 0.05, -0.06,
       0.09, 0.23, -0.07, 0.01, 0.17, -0.11, 0.08, 0.12],
       "k": 5,
       "num_candidates": 100
     }
   }

   コアパラメーター

   knn クエリは、k-NN 検索を実行するために使用されます。

   • field：クエリ対象の dense_vector フィールドの名前。

   • query_vector：クエリに使用するベクトル。そのディメンションはフィールド定義と一致する必要があります。

   • k：返す最も類似した結果の数。

   • num_candidates：アルゴリズムが各シャードで内部的に検索する候補セットのサイズ。この値は k より大きく、通常は k の倍数です。値が大きいほど取得率は向上しますが、クエリレイテンシも増加します。

4. フィルタリング付き取得。ベクトル取得中に結果をフィルタリングして、より複雑なビジネス要件を満たすことができます。次の例では、「shoes」category で最も類似した 5 つのドキュメントを検索します。

   GET /my_falcon_seek_index/_search
   {
     "knn": {
       "field": "product_vector",
       "query_vector": [
         0.12, -0.05, 0.01, 0.24, -0.17, 0.31, 0.02, -0.19, 0.11, 0.28,
         -0.03, 0.15, 0.22, -0.11, 0.09, 0.23, -0.07, 0.14, 0.26, -0.21,
         0.18, 0.29, -0.13, 0.06, 0.35, -0.18, 0.16, 0.23, -0.15, 0.12,
         0.27, -0.22, 0.19, 0.32, -0.14, 0.87, 0.25, -0.18, 0.13, 0.30,
         -0.09, 0.17, 0.24, -0.16, 0.10, 0.64, -0.10, 0.20, 0.31, -0.23,
         0.15, 0.28, -0.12, 0.11, 0.26, -0.19, 0.14, 0.29, -0.17, 0.08,
         0.22, -0.20, 0.16, 0.27, -0.15, 0.09, 0.25, -0.21, 0.18, 0.30,
         -0.13, 0.07, 0.24, -0.22, 0.19, 0.52, -0.16, 0.10, 0.26, -0.18,
         0.12, 0.28, -0.14, 0.06, 0.23, -0.19, 0.14, 0.29, -0.11, 0.05,
         0.21, -0.17, 0.13, 0.27, -0.10, 0.04, 0.20, -0.15, 0.11, 0.25,
         -0.09, 0.03, 0.19, -0.13, 0.10, 0.24, -0.08, 0.02, 0.18, -0.12,
         0.09, 0.23, -0.07, 0.01, 0.17, -0.11, 0.08, 0.22, 0.05, -0.06,
         0.09, 0.23, -0.07, 0.01, 0.17, -0.11, 0.08, 0.12
       ],
       "k": 5,
       "num_candidates": 100,
       "filter": {
         "term": {
           "category": "shoes"
         }
       }
     }
   }

拡張機能：tags_filter によるフィルタリング付き取得

tags_filter パラメーターは、HNSW および QGraph アルゴリズムに最適化された事前フィルタリングメカニズムを提供します。グラフ探索プロセスの早い段階で一致しないノードを除外するため、標準の bool filter よりも高いパフォーマンスを提供します。

• シナリオ：この機能は、フィルタリングフィールドが一意の値の数が限られている場合 (カテゴリやブランド ID など) で、高いクエリパフォーマンスが要求される場合に使用できます。

• この機能を有効にする方法：

  1. mappings の index_options で、tags パラメーターを使用してフィルタリングに使用する keyword タイプフィールドを宣言できます。

     PUT /my_vector_index_with_tags
     {
       "mappings": {
         "properties": {
           "product_vector": {
             "type": "dense_vector",
             "dims": 128,
             "index_options": {
               "type": "havenask_native",
               "knn_type": "HNSW",
               "tags": ["category"] // tags_filter のために category フィールドを宣言
             }
           },
           "category": {
             "type": "keyword" // keyword タイプである必要があります
           }
         }
       }
     }

  2. knn クエリでは、tags_filter パラメーターを "field_name = value" 構文で使用できます。このパラメーターは | (OR) および & (AND) ロジックをサポートします。

     GET /my_vector_index_with_tags/_search
     {
       "knn": {
         "field": "product_vector",
         "query_vector": [...],
         "k": 5,
         "tags_filter": "category = shoes | category = socks"
       }
     }
     

インデックスを作成する際、すべてのベクトル関連の構成は mappings の index_options ブロック内で設定されます。

PUT /<your_index_name>
{
  "mappings": {
    "properties": {
      "<your_vector_field>": {
        "type": "dense_vector",
        "dims": 768,
        "similarity": "l2_norm",
        "index_options": {
          // --- 共通パラメーター ---
          "type": "havenask_native",
          "knn_type": "HNSW",
          // --- アルゴリズム構築パラメーター ---
          "m": 32,
          "ef_construction": 400,
          // --- 高度なパラメーター ---
          "thread_count": 8
        }
      }
    }
  }
}

json

"index_options": {  "knn_type": "HNSW",  "m": 32, // これは以下の index_params によって上書きされます  "index_params": {    "proxima.hnsw.builder.max_neighbor_count": 48 // 最終的な有効値は 48 です  }}

// 基本的な HNSW 設定
PUT /hnsw_basic
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 768,
        "index": true,
        "similarity": "cosine",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "HNSW"
        }
      }
    }
  }
}

// 高性能な HNSW 設定
PUT /hnsw_performance
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 1024,
        "index": true,
        "similarity": "dot_product",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "HNSW",
          "m": 48,
          "ef_construction": 500,
          "thread_count": 8,
          "linear_build_threshold": 1000,
          "is_embedding_saved": true,
          "embedding_load_strategy": "ANN_INDEX_FILE",
          "index_load_strategy": "MEM"
        }
      }
    }
  }
}

// 高性能設定
{
  "index_params": {
    "param.rabitQGraph.builder.neighbor_cnt": 256,
    "param.rabitQGraph.builder.ef_construction": 512,
    "param.rabitQGraph.builder.quantized_bit_count": 8,
    "param.rabitQGraph.builder.cluster_count": 128,
    "param.rabitQGraph.builder.thread_count": 8,
    "param.rabitQGraph.searcher.ef": 300,
    "param.rabitQGraph.searcher.max_scan_ratio": 0.1
  }
}

// メモリ最適化設定
{
  "index_params": {
    "param.rabitQGraph.builder.neighbor_cnt": 64,
    "param.rabitQGraph.builder.ef_construction": 200,
    "param.rabitQGraph.builder.quantized_bit_count": 1,
    "param.rabitQGraph.builder.cluster_count": 32,
    "param.rabitQGraph.searcher.ef": 150,
    "param.rabitQGraph.searcher.max_scan_ratio": 0.03
  }
}

// バランスの取れた設定
{
  "index_params": {
    "param.rabitQGraph.builder.neighbor_cnt": 128,
    "param.rabitQGraph.builder.ef_construction": 400,
    "param.rabitQGraph.builder.quantized_bit_count": 4,
    "param.rabitQGraph.builder.cluster_count": 64,
    "param.rabitQGraph.searcher.ef": 250
  }
}

// 基本設定
{
  "index_params": {
    "proxima.linear.builder.column_major_order": "false",
    "proxima.linear.searcher.read_block_size": 1048576
  }
}

// 大容量メモリ設定
{
  "index_params": {
    "proxima.linear.builder.column_major_order": "true",
    "proxima.linear.searcher.read_block_size": 2097152
  }
}

// 基本設定
{
  "index_params": {
    "proxima.qc.builder.thread_count": 4,
    "proxima.qc.builder.centroid_count": "1000",
    "proxima.qc.builder.cluster_class": "OptKmeansCluster",
    "proxima.qc.searcher.scan_ratio": 0.02
  }
}

// 階層的クラスタリング設定
{
  "index_params": {
    "proxima.qc.builder.thread_count": 8,
    "proxima.qc.builder.centroid_count": "100*100",
    "proxima.qc.builder.optimizer_class": "HnswBuilder",
    "proxima.qc.builder.quantizer_class": "Int8QuantizerConverter",
    "proxima.qc.searcher.scan_ratio": 0.01
  }
}

// 高精度設定
{
  "index_params": {
    "proxima.qc.builder.thread_count": 12,
    "proxima.qc.builder.centroid_count": "2000",
    "proxima.qc.builder.train_sample_count": 100000,
    "proxima.qc.builder.store_original_features": true,
    "proxima.qc.searcher.scan_ratio": 0.05
  }
}

// Int8 量子化設定
{
  "index_params": {
    "proxima.hnsw.builder.max_neighbor_count": 32,
    "proxima.hnsw.builder.efconstruction": 400,
    "proxima.hnsw.builder.thread_count": 4,
    "proxima.qgraph.builder.quantizer_class": "Int8QuantizerConverter",
    "proxima.qgraph.builder.quantizer_params": {},
    "proxima.hnsw.searcher.ef": 300
  }
}

// Int4 量子化設定 (よりメモリ効率が良い)
{
  "index_params": {
    "proxima.hnsw.builder.max_neighbor_count": 48,
    "proxima.hnsw.builder.efconstruction": 500,
    "proxima.hnsw.builder.thread_count": 6,
    "proxima.qgraph.builder.quantizer_class": "Int4QuantizerConverter",
    "proxima.qgraph.builder.quantizer_params": {},
    "proxima.hnsw.searcher.ef": 400,
    "proxima.hnsw.searcher.max_scan_ratio": 0.1
  }
}

// HalfFloat 量子化設定 (高精度)
{
  "index_params": {
    "proxima.hnsw.builder.max_neighbor_count": 64,
    "proxima.hnsw.builder.efconstruction": 600,
    "proxima.hnsw.builder.thread_count": 8,
    "proxima.qgraph.builder.quantizer_class": "HalfFloatConverter",
    "proxima.qgraph.builder.quantizer_params": {},
    "proxima.hnsw.searcher.ef": 500
  }
}

{
  "search_params": {
    "proxima.hnsw.searcher.ef": "400",
    "proxima.hnsw.searcher.max_scan_ratio": "0.15"
  }
}

{
  "search_params": {
    "proxima.hnsw.searcher.ef": "400",
    "proxima.hnsw.searcher.max_scan_ratio": "0.15"
  }
}

{
  "search_params": {
    "proxima.qc.searcher.scan_ratio": "0.02"
  }
}

{
  "search_params": {
    "param.rabitQGraph.searcher.ef": "300",
    "param.rabitQGraph.searcher.max_scan_ratio": "0.08"
  }
}

// HNSW の精度とパフォーマンスを動的に調整
GET vector_index/_search
{
  "knn": {
    "field": "vector",
    "query_vector": [0.1, 0.2, 0.3],
    "k": 10,
    "num_candidates": 100,
    "search_params": {
      "proxima.hnsw.searcher.ef": "500",
      "proxima.hnsw.searcher.max_scan_ratio": "0.2"
    }
  }
}

// QC のスキャン比率を動的に調整
GET vector_index/_search
{
  "knn": {
    "field": "vector",
    "query_vector": [0.1, 0.2, 0.3],
    "k": 10,
    "num_candidates": 100,
    "search_params": {
      "proxima.qc.searcher.scan_ratio": "0.05"
    }
  }
}

// RabitQGraph の検索精度を動的に調整
GET vector_index/_search
{
  "knn": {
    "field": "vector",
    "query_vector": [0.1, 0.2, 0.3],
    "k": 10,
    "num_candidates": 100,
    "search_params": {
      "param.rabitQGraph.searcher.ef": "400",
      "param.rabitQGraph.searcher.max_scan_ratio": "0.1"
    }
  }
}

// 線形しきい値を無効にする
{
  "linear_build_threshold": 0
}

// 小規模データセットに線形検索を使用する
{
  "linear_build_threshold": 1000
}

// より大きな閾値、ステージング環境に適しています
{
  "linear_build_threshold": 5000
}

付録：完全な例

// 基本的な HNSW 設定
PUT /hnsw_basic
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 768,
        "index": true,
        "similarity": "cosine",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "HNSW"
        }
      }
    }
  }
}

// 高性能な HNSW 設定
PUT /hnsw_performance
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 1024,
        "index": true,
        "similarity": "dot_product",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "HNSW",
          "m": 48,
          "ef_construction": 500,
          "thread_count": 8,
          "linear_build_threshold": 1000,
          "is_embedding_saved": true,
          "embedding_load_strategy": "ANN_INDEX_FILE",
          "index_load_strategy": "MEM"
        }
      }
    }
  }
}

// 基本的な Linear 設定
PUT /linear_basic
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 384,
        "index": true,
        "similarity": "l2_norm",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "Linear"
        }
      }
    }
  }
}

// 基本的な QC 設定
PUT /qc_basic
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 768,
        "index": true,
        "similarity": "cosine",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "QC"
        }
      }
    }
  }
}

// カスタム QC 設定
PUT /qc_custom
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 1024,
        "index": true,
        "similarity": "dot_product",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "QC",
          "thread_count": 8,
          "linear_build_threshold": 5000,
          "index_params": "{\"proxima.qc.builder.thread_count\": 8, \"proxima.qc.builder.centroid_count\": \"2000\"}"
        }
      }
    }
  }
}

// 基本的な QGraph 設定
PUT /qgraph_basic
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 768,
        "index": true,
        "similarity": "cosine",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "QGraph",
          "quantizer": "int8"
        }
      }
    }
  }
}

// 高精度 QGraph 設定
PUT /qgraph_high_precision
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 1536,
        "index": true,
        "similarity": "cosine",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "QGraph",
          "m": 40,
          "ef_construction": 600,
          "thread_count": 8,
          "quantizer": "fp16",
          "is_embedding_saved": true,
          "index_load_strategy": "MEM"
        }
      }
    }
  }
}

// メモリ最適化 QGraph 設定
PUT /qgraph_memory_optimized
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 1024,
        "index": true,
        "similarity": "l2_norm",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "QGraph",
          "m": 24,
          "ef_construction": 300,
          "thread_count": 6,
          "quantizer": "int4",
          "is_embedding_saved": false,
          "index_load_strategy": "BUFFER"
        }
      }
    }
  }
}

// 基本的な RabitQGraph 構成 (l2_norm 類似度のみをサポート)
PUT /rabitqgraph_basic
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 64,
        "index": true,
        "similarity": "l2_norm",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "RabitQGraph"
        }
      }
    }
  }
}

// パフォーマンス専有型 RabitQGraph 構成 - Map 形式で index_params を使用
PUT /rabitqgraph_performance
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 128,
        "index": true,
        "similarity": "l2_norm",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "RabitQGraph",
          "thread_count": 8,
          "index_params": {
            "param.rabitQGraph.builder.neighbor_cnt": 256,
            "param.rabitQGraph.builder.ef_construction": 512,
            "param.rabitQGraph.builder.quantized_bit_count": 4,
            "param.rabitQGraph.builder.cluster_count": 128,
            "param.rabitQGraph.searcher.ef": 300
          }
        }
      }
    }
  }
}

// メモリ最適化 RabitQGraph 構成
PUT /rabitqgraph_memory_optimized
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 192,
        "index": true,
        "similarity": "l2_norm",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "RabitQGraph",
          "thread_count": 4,
          "linear_build_threshold": 1000,
          "index_params": {
            "param.rabitQGraph.builder.neighbor_cnt": 64,
            "param.rabitQGraph.builder.ef_construction": 200,
            "param.rabitQGraph.builder.quantized_bit_count": 1,
            "param.rabitQGraph.builder.cluster_count": 32,
            "param.rabitQGraph.searcher.ef": 150,
            "param.rabitQGraph.searcher.max_scan_ratio": 0.05
          }
        }
      }
    }
  }
}

// タグフィルタリング付き RabitQGraph 構成
PUT /rabitqgraph_with_tags
{
  "mappings": {
    "properties": {
      "vector": {
        "type": "dense_vector",
        "dims": 256,
        "index": true,
        "similarity": "l2_norm",
        "index_options": {
          "type": "havenask_native",
          "knn_type": "RabitQGraph",
          "tags": ["category", "region"],
          "index_params": {
            "param.rabitQGraph.builder.neighbor_cnt": 128,
            "param.rabitQGraph.builder.ef_construction": 400,
            "param.rabitQGraph.builder.quantized_bit_count": 8,
            "param.rabitQGraph.searcher.ef": 250
          }
        }
      },
      "category": {
        "type": "keyword"
      },
      "region": {
        "type": "keyword"
      }
    }
  }
}