Elasticsearch在kNN向量检索中如何实现属性过滤？

传统kNN检索的两种属性过滤方案都存在明显缺陷：

• 前置过滤：先执行属性过滤，再对过滤后的文档做暴力向量相似度计算，这种方式的核心问题是速度极慢——暴力计算本身效率低下，再加上前置过滤后仍可能有大量文档需要计算，性能开销极高。
• 后置过滤：先完成高效的近似kNN检索，再对结果做属性过滤，这种方式的问题是召回率无法保证，即便数据库中存在足够多符合过滤条件的文档，也可能因为过滤掉部分初始kNN结果，最终返回的有效文档数量不足k个。

Elasticsearch针对这些问题，采用了在近似kNN搜索过程中嵌入过滤逻辑的方案：

过滤器在近似kNN搜索过程中应用，以确保返回k个匹配文档。这与后置过滤方式形成对比，后置过滤是在近似kNN搜索完成后才应用过滤器，其缺点是有时即便存在足够匹配文档，返回结果也会少于k个。

这种实现逻辑的优势在于：在近似kNN检索的候选筛选阶段，就会同步校验属性过滤条件，只保留符合要求的文档作为候选向量。既借助了近似kNN的高效检索能力避免了前置过滤的性能瓶颈，又能在检索过程中持续补充符合条件的候选文档，最终确保返回满足过滤要求的k个结果，兼顾了性能和召回率。

内容的提问来源于stack exchange，提问作者distributer