本教程演示如何使用向量检索服务(DashVector),结合灵积模型服务上的Embedding API,来从 0 到 1 构建基于文本索引的构建 + 向量检索基础上的语义搜索能力。具体来说,我们将基于 QQ 浏览器搜索标题语料库(QBQTC:QQ Browser Query Title Corpus)进行实时的文本语义搜索,查询最相似的相关标题。
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。
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 :
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。
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
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。
import json
def prepare_data(path, size):
with open(path, 'r', encoding='utf-8') as f:
batch_docs = []
for line in f:
batch_docs.append(json.loads(line.strip()))
if len(batch_docs) == size:
yield batch_docs[:]
batch_docs.clear()
if batch_docs:
yield batch_docs
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。
import dashscope
from dashscope import TextEmbedding
dashscope.api_key='{your-dashscope-api-key}'
def generate_embeddings(text):
rsp = TextEmbedding.call(model=TextEmbedding.Models.text_embedding_v1,
input=text)
embeddings = [record['embedding'] for record in rsp.output['embeddings']]
return embeddings if isinstance(text, list) else embeddings[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1536
print(len(generate_embeddings('hello')))
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。
from dashvector import Client, Doc
# 初始化 DashVector client
client = 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)
assert rsp
collection = client.get('sample')
assert collection
batch_size = 10
for docs in list(prepare_data('QBQTC/dataset/train.json', batch_size)):
# 批量 embedding
embeddings = generate_embeddings([doc['title'] for doc in docs])
# 批量写入数据
rsp = collection.insert(
[
Doc(id=str(doc['id']), vector=embedding, fields={"title": doc['title']})
for doc, embedding in zip(docs, embeddings)
]
)
assert rsp
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,假如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'])
for doc in rsp.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
以下几种情况的帖子可能会被屏蔽:
如果你发现你的帖子被屏蔽,请自我检查反省,并修改帖子内容。
招聘贴被屏蔽原因
警告: 以后招聘贴不符合要求,直接屏蔽,管理员不再回复,如认真阅读,继续新发同样格式的贴,将会被禁用账号!
如果你有时间,请阅读 招聘栏目详细说明
学会如何合理提问,请阅读:https://ruby-china.org/topics/24325
当你修改好以后,可以回帖 @huacnlee、@Rei、@lgn21st 任何一人,我们将会审核,通过以后才可恢复到其他节点。
注!多次发现广告嫌疑的帐号,将会被禁用帐号。