什么是 Embedding
简单来说,Embedding是一个多维向量的表示数组,通常由一系列数字组成。Embedding可以用来表示任何数据,例如文本、音频、图片、视频等等,通过Embedding我们可以编码各种类型的非结构化数据,转化为具有语义信息的多维向量,并在这些向量上进行各种操作,例如相似度计算、聚类、分类和推荐等。
整体流程概述
- Embedding:通过DashScope提供的通用文本向量模型,对语料库中所有标题生成对应的embedding向量。
- 构建索引服务和查询:
- 通过DashVector向量检索服务对生成embedding向量构建索引。
- 将查询文本embedding向量作为输入,通过DashVector搜索相似的标题。
具体操作流程
前提条件
- 开通灵积模型服务,并获得 API-KEY:开通DashScope并创建API-KEY。
- 开通DashVector向量检索服务,并获得 API-KEYAPI-KEY管理。
1、环境安装
说明:需要提前安装 Python3.7 及以上版本,请确保相应的 python 版本。
pip3 install dashvector dashscope
2、数据准备
QQ浏览器搜索相关性数据集(QBQTC, QQ Browser Query Title Corpus),是QQ浏览器搜索引擎目前针对大搜场景构建的一个融合了相关性、权威性、内容质量、 时效性等维度标注的学习排序(LTR)数据集,广泛应用在搜索引擎业务场景中。作为CLUE-beanchmark的一部分,QBQTC 数据集可以直接从github上下载(训练集路径为dataset/train.json
)。
git clone https://github.com/CLUEbenchmark/QBQTC.git wc-l QBQTC/dataset/train.json
数据集中的训练集(train.json)其格式为 json:
{ "id": 0, "query": "小孩咳嗽感冒", "title": "小孩感冒过后久咳嗽该吃什么药育儿问答宝宝树", "label": "1"}
我们将从这个数据集中提取title
,方便后续进行embedding并构建检索服务。
importjsondefprepare_data(path, size): withopen(path, 'r', encoding='utf-8') asf: batch_docs= [] forlineinf: batch_docs.append(json.loads(line.strip())) iflen(batch_docs) ==size: yieldbatch_docs[:] batch_docs.clear() ifbatch_docs: yieldbatch_docs
3、通过 DashScope 生成 Embedding 向量
DashScope灵积模型服务通过标准的API提供了多种模型服务。其中支持文本Embedding的模型中文名为通用文本向量,英文名为text-embedding-v1。我们可以方便的通过DashScope API调用来获得一段输入文本的embedding向量。
说明:需要使用您的api-key替换示例中的 your-dashscope-api-key ,代码才能正常运行。
importdashscopefromdashscopeimportTextEmbeddingdashscope.api_key='{your-dashscope-api-key}'defgenerate_embeddings(text): rsp=TextEmbedding.call(model=TextEmbedding.Models.text_embedding_v1, input=text) embeddings= [record['embedding'] forrecordinrsp.output['embeddings']] returnembeddingsifisinstance(text, list) elseembeddings[0] # 查看下embedding向量的维数,后面使用 DashVector 检索服务时会用到,目前是1536print(len(generate_embeddings('hello')))
4、通过 DashVector 构建检索:向量入库
DashVector 向量检索服务上的数据以集合(Collection)为单位存储,写入向量之前,我们首先需要先创建一个集合来管理数据集。创建集合的时候,需要指定向量维度,这里的每一个输入文本经过DashScope上的text_embedding_v1模型产生的向量,维度统一均为1536。
DashVector 除了提供向量检索服务外,还提供倒排过滤功能 和 scheme free 功能。所以我们为了演示方便,可以写入数据时,可以将title
内容写入 DashVector 以便召回。写入数据还需要指定 id,我们可以直接使用 QBQTC 中id
。
说明:需要使用您的api-key替换示例中的 your-dashvector-api-key ,以及您的Cluster Endpoint替换示例中的 your-dashvector-cluster-endpoint,代码才能正常运行。
fromdashvectorimportClient, Doc# 初始化 DashVector clientclient=Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}') # 指定集合名称和向量维度rsp=client.create('sample', 1536) assertrspcollection=client.get('sample') assertcollectionbatch_size=10fordocsinlist(prepare_data('QBQTC/dataset/train.json', batch_size)): # 批量 embeddingembeddings=generate_embeddings([doc['title'] fordocindocs]) # 批量写入数据rsp=collection.insert( [ Doc(id=str(doc['id']), vector=embedding, fields={"title": doc['title']}) fordoc, embeddinginzip(docs, embeddings) ] ) assertrsp
5、语义检索:向量查询
在把QBQTC训练数据集里的title
内容都写到DashVector服务上的集合里后,就可以进行快速的向量检索,实现“语义搜索”的能力。继续上面代码的例子,加入我们要搜索有多少和'应届生 招聘'相关的title
内容,可以通过在DashVector上去查询'应届生 招聘',即可迅速获取与该查询语义相近的内容,以及对应内容与输入之间的相似指数。
# 基于向量检索的语义搜索rsp=collection.query(generate_embeddings('应届生 招聘'), output_fields=['title']) fordocinrsp.output: print(f"id: {doc.id}, title: {doc.fields['title']}, score: {doc.score}")
id: 0, title: 实习生招聘-应届生求职网, score: 2523.1582 id: 6848, title: 应届生求职网校园招聘yingjieshengcom中国领先的大学生求职网站, score: 3053.7095 id: 8935, title: 北京招聘求职-前程无忧, score: 5100.5684 id: 5575, title: 百度招聘实习生北京实习招聘, score: 5451.4155 id: 6500, title: 中公教育招聘信息网-招聘岗位-近期职位信息-中公教育网, score: 5656.128 id: 7491, title: 张家口招聘求职-前程无忧, score: 5834.459 id: 7520, title: 前程无忧网北京前程无忧网招聘, score: 5874.412 id: 3214, title: 乡镇卫生院招聘招聘乡镇卫生院招聘信息+-58同城, score: 6005.207 id: 6507, title: 赶集网招聘实习生北京实习招聘, score: 6424.9927 id: 5431, title: 实习内容安排百度文库, score: 6505.735