嵌入模型
此概念概述侧重于基于文本的嵌入模型。
嵌入模型也可以是多模态的，但 LangChain 目前不支持此类模型。
想象一下，能够将任何文本（一条推文、文档或书籍）的本质捕捉到一个简洁的表示中。这就是嵌入模型的力量，它是许多检索系统的核心。嵌入模型将人类语言转换为机器可以理解并快速准确地比较的格式。这些模型以文本作为输入，并生成一个固定长度的数字数组，即文本语义含义的数值指纹。嵌入使搜索系统不仅可以基于关键字匹配，还可以基于语义理解来查找相关文档。
关键概念
(1) 将文本嵌入为向量：嵌入将文本转换为数值向量表示。
(2) 测量相似度：可以使用简单的数学运算来比较嵌入向量。
嵌入
历史背景
多年来，嵌入模型的格局发生了显著的变化。2018 年，谷歌推出了BERT（来自 Transformers 的双向编码器表示），这是一个关键时刻。BERT 应用 Transformer 模型将文本嵌入为简单的向量表示，这在各种 NLP 任务中带来了前所未有的性能。然而，BERT 并未针对高效生成句子嵌入进行优化。这种限制促使了 SBERT（Sentence-BERT） 的创建，它调整了 BERT 架构以生成语义丰富的句子嵌入，可以通过余弦相似度等相似度指标轻松比较，从而大大减少了查找相似句子等任务的计算开销。如今，嵌入模型生态系统非常多样化，许多提供商都提供自己的实现。为了应对这种多样性，研究人员和从业者经常求助于大规模文本嵌入基准 (MTEB) 此处等基准进行客观比较。
- 请参阅开创性的 BERT 论文。
- 请参阅 Cameron Wolfe 对嵌入模型的精彩评论。
- 请参阅大规模文本嵌入基准 (MTEB)排行榜，以全面了解嵌入模型。
接口
LangChain 提供了一个用于处理它们的通用接口，为常见操作提供标准方法。此通用接口通过两种中心方法简化了与各种嵌入提供商的交互
embed_documents：用于嵌入多个文本（文档）embed_query：用于嵌入单个文本（查询）
这种区别很重要，因为某些提供商对文档（要搜索的文档）和查询（搜索输入本身）采用不同的嵌入策略。为了说明这一点，这里有一个使用 LangChain 的 .embed_documents 方法嵌入字符串列表的实际示例
from langchain_openai import OpenAIEmbeddings
embeddings_model = OpenAIEmbeddings()
embeddings = embeddings_model.embed_documents(
[
"Hi there!",
"Oh, hello!",
"What's your name?",
"My friends call me World",
"Hello World!"
]
)
len(embeddings), len(embeddings[0])
(5, 1536)
为方便起见，您还可以使用 embed_query 方法嵌入单个文本
query_embedding = embeddings_model.embed_query("What is the meaning of life?")
- 请参阅LangChain 嵌入模型集成的完整列表。
- 请参阅这些操作指南，了解如何使用嵌入模型。
集成
LangChain 提供了许多嵌入模型集成，您可以在嵌入模型集成页面上找到。
测量相似度
每个嵌入本质上都是一组坐标，通常是在高维空间中。在这个空间中，每个点（嵌入）的位置反映了其对应文本的含义。正如相似的词在同义词词典中可能彼此接近一样，相似的概念最终也会在这个嵌入空间中彼此接近。这允许对不同的文本片段进行直观的比较。通过将文本简化为这些数值表示，我们可以使用简单的数学运算来快速测量两个文本片段的相似程度，而不管其原始长度或结构如何。一些常见的相似度指标包括
- 余弦相似度：测量两个向量之间夹角的余弦值。
- 欧几里得距离：测量两点之间的直线距离。
- 点积：测量一个向量在另一个向量上的投影。
应根据模型选择相似度指标。例如，OpenAI 建议对其嵌入使用余弦相似度，这很容易实现
import numpy as np
def cosine_similarity(vec1, vec2):
dot_product = np.dot(vec1, vec2)
norm_vec1 = np.linalg.norm(vec1)
norm_vec2 = np.linalg.norm(vec2)
return dot_product / (norm_vec1 * norm_vec2)
similarity = cosine_similarity(query_result, document_result)
print("Cosine Similarity:", similarity)