search legend

中文版|English|Release Notes|Contributors

端到端搜索

曾经，企业搭建一套搜索系统，出于技术难度、资料完善成都，社区支持，人力资源等各方面的权衡，大多数会选择ES作为 基础，在ES的基础上进一步的开发迭代。不可否认，ES是一款优秀的产品，在不少业务上发挥着重要的作用。然而，ES有着它 固有的限制。工程方面，ES的数据量级能够支撑到10亿级别，数据量再大了，运维、用户体验会收到很大影响。从业务角度来说，比如分词用jieba，粗排用bm25等，在现在nn成熟的时代，搜索的质量已经达不到业务的要求。在ES上继续发力开发插件 的方式也得不偿失。总体来说，用ES搭建初版引擎，可以达到60分的效果。要将分数提高到80分，从ROI的角度来说，并不比 从头搭建一套资源低。

本项目的目的是建立一套端到端的搜索框架，可以支撑百亿量级,可以达到80分的框架系统化。

产品的形态是开箱即用,初始，内部集成nn排序，推理，向量召回，特征工程等模块，用户可以在统一的nn接口的基础上， 通过迭代算法，低成本让搜索的质量得到提高。

IR技术是系统的另一个亮点（这项技术受AI编译器的启发），进一步解耦工程与算法，即用户通过python的程序编写业务逻辑，框架会同步自动生成c++代码，以c++程序的方式运行。提升程序的性能，进一步提升产品迭代周期（省去评审、c++开发，c++测试等中间环节）。本项目的主要贡献是高度抽象搜索各个过程的组件，工程侧侧重高性能组件算子开发，算法侧将注意力集中到业务效果，提升沟通质量和效率。

作者

• @author Jeff.li
• @email [email protected]

相关子项目

flowchart TB
    A[turbo]-->B[libtext]
    A[turbo]-->BB[titan-redis]
    A[turbo]-->BC[titan-ann]
    BB-->C[lambda]
    BC-->C[lambda]
    A[turbo]-->E[rigel]
    E[rigel]-->D[hercules]
    D[hercules]-->F[hvm]
    C[lambda]-->F[hvm]
    B[libtext]-->F[hvm]
    E[rigel]-->G[melon-rpc]
    G[melon-rpc]-->F[hvm]
    

Loading

• turbo c++ foundation library.

• libtext chinese segment and normalize library.

• titan-redis disk storage using redis interface.

• titan-ann ann search engine base on graph.

• lambda host local search engine for mix term and vector search.

• rigel ai and rpc runtime library, to manage memory and fiber or thread schedule.

• hercules python Aot framework for integrated components interface rpc and ai backend like tesorflow or pytorch

• hvm (not start now) framework gateway, let us write python and generate c++ code and run in llvm.

• tensorflow build tensorflow c++ 编译与安装脚本项目

the goals

flowchart LR
    A[python code]-->B[hvm.compile]
    B-->C[so library and graph]
    G[ci/cd]-->C[so library and graph]
    D[c++ runtime]-.->G
    D[c++ runtime]-->E[c++ app]
    F[service mess]-->E[c++ app]

Loading

it will reduce c++ communication and development phrase during business development。 may reduce business development days a lot and provide bug free code.

how ever, in some Modularity is not good system, you need to do a lot work int test and online, it is a very frustrating thing that， if many people develop together, so fuzz..

flowchart LR
  A[python algorithm]-->B[c++ review]-->C[c++ develop]-->D[test and online]
  AA[python algorithm]-->E[generate c++]-->D[test and online]

Loading

inspire by the ai aot. design it write a few python code like below

import hvm

q:str='刘德华'
def do_search(q:tr)->List[Any]
  qp = hvm.QU.parse(q)
  qt = hvm.query.boolen_query
  sq = hvm.query.term_query(qp)
  sq.must('title')
  qt.add_sub_query(sq)
  searcher  = hvm.search
  searcher.set_relavece('bm25')
  searcher.set_ranker('dw_fm')
  searcher.set_l1_sort('default')
  searcher.set_l2_sort('ctr_pri_sorter')
  result = searcher.search(engine)
  return result
hvm.compile(do_search, "./search_demo")

at c++ side,

hvm::Session session;
bool rs = session.load("./search_demo")
if(!rs){
    return false;
}      
string query;
session.run(query);

so it can do things in c++ code,Enjoy the joy brought by c++. and hidden the difficult code via c++ and hidden complex service governance logic behind.

nlp roadmap

Table of contents

• 开发准备准备

  • conda guide
  • cmake guide 待完成
  • bazel guide 待完成

• 工程基础

  • tensorflow 工程化
    • tensorflow 编译安装
    • 使用conda编译及部署
  • tensorflow 源码分析
    • tensor--张量
    • 内存分配器
    • 资源管理器
    • 算子定义
    • 算子实现
    • 图节点
    • 图定义
    • 设备
    • 函数
    • 形状判断
    • 运行时设备
    • 运行时执行器
    • 运行时session
    • 运行时direct session
    • xla
  • 基础库
    • 项目发布约束
    • 跨平台 待完成
    • 单元测试 待完成
    • string类 待完成
    • 容器类 待完成
  • 内存 & cpu
    • cpu 缓存 待完成
    • numa 待完成
    • 内存池 待完成
  • 多线程
    • 任务调度 待完成
    • smp 待完成
    • 读优化 待完成
    • 写优化 待完成
    • 多协程 待完成

• 机器学习基础

  • 算法
    • 线性回归
    • 数学符号
    • 线性回归
    • 感知机
    • 深度学习计算
    • 卷积神经网络
    • 现代卷积神经网络
    • 循环神经网络
    • 现代神经网络
    • 注意力机制
    • 优化算法
    • 计算性能
    • 自然语言处理：预训练
    • 自然语言处理：应用
  • 机器学习框架
    • 机器学习框架
    • 计算图
    • ai编译器 待完成
    • 数据处理框架 待完成
    • 分布式训练 待完成
    • 模型部署 待完成
  • 工程实践
    • c++ && python 待完成
    • tensorflow专题 待完成
    • tensorflow serving部署 待完成
    • triton inference server 待完成
    • GPU编程 待完成
    • IR专题 待完成
  • 扩展资料
    • 扩展阅读

• Significance of search system

  • What problem does search solve
  • 1.2 搜索的发展历史

• 搜索导流

  • 提示词
  • 相关搜索

• 2 搜索架构

  • 2.1 整体架构
  • 2.2 搜索的引流
  • 2.2 搜索的评估

• 引擎内核设计 lambda engine

  • table struct
  • [11.2 向量引擎]
  • [11.3 term引擎]
  • [11.4 融合索引]
  • [11.5 query语法]
  • [11.6 引擎同步]
  • [11.7 实时引擎]
  • [11.8 存储引擎]
  • [11.9 拉链归并]

• 3 query理解

  • 3.1 分词
  • [3.2 纠错]
  • [3.3 改写]
  • [3.4 实体识别]
  • [3.5 意图]
  • [3.6 默认词]
  • [3.7 提示词]

• 4. 召回

  • [4.1 倒排]
  • [4.2 正排]

• 5. 排序

  • 5.1 粗排
  • 5.2精排

• [6. 搜索系统]

  • [6.1 搜索控制]
  • [6.2 缓存系统]
  • [6.3 索引分层]
  • [6.4 干预系统]
  • [6.5 特征收集]
  • [6.6 离线计算]
  • [6.7 存储系统]

• [7. 服务治理]

  • [7.1 微服务]
  • [7.2 多机房]
  • [7.3 多集群]
  • [7.4 实时数据]
  • [7.5 服务降级与容灾]

• [8. 开发预备]

  • [8.1 cmake使用]
  • [8.2 conda集成]

• [9. 设计分析]

  • [9.1 query理解]
  • [9.2 实时同步]
  • [9.3 引擎]
  • [9.4 rank]
  • [9.5 干预]
  • [9.6 A/B试验]

• [10. 系统实现]

  • [10.1 模块分解]
  • [10.2 基础库]
  • [10.3 算子库]
  • [10.4 rpc通信]
  • [10.5 存储引擎]
  • [10.6 同步协同]

• [12 qu模块实现]

  • [12.1 标准化]
  • [12.2 分词]
  • [12.3 纠错]
  • [12.4 改写]
  • [12.5 实体识别]
  • [12.6 意图识别]

• [13 rank]

  • [相关性]
  • [实效性]
  • [权威性]
  • [ctr]

• [14 ir新架构]

  • [14.1 机器学习编译]
  • [14.2 python与c++]
  • [14.3 在线dag]
  • [14.3 llvm ir]

• [15 向量引擎]

  • [15.1 向量引擎需求]
  • [15.2 向量算法]
  • [15.3 向量引擎对比]
  • [15.4 向量引擎与生产环境]

• [16 机器学习平台]

  • [16.1 数据并行]
  • [16.2 模型并行]
  • [16.3 参数服务器]
  • [16.4 horovod]
  • [16.5 分布式并行-mpi]
    • [16.5.1 gloo]
    • [16.5.2 openmpi]

• [17 技术需求]

  • [17.1 高并发原子操作]
  • [17.2 双buffer与rcu]
  • [17.3 simd高性能计算]
  • [17.4 fiber and eventloop]
  • [17.5 内存分配与内存池]
  • [17.6 gpu计算]
  • [17.7 dpdk与大模型]
  • [17.8 rdma]
  • [17.9 nccl通信]
  • [17.10 numa与任务调度]

• [18 机器学习框架]

  • [18.1 机器学习框架]
  • [18.2 tensorflow算子开发]
  • [18.3. tensorflow model]
  • [18.4 xla]

• [19 特征工程]