langchain_community.vectorstores.elasticsearch
.ElasticsearchStore¶
- class langchain_community.vectorstores.elasticsearch.ElasticsearchStore(index_name: str, *, embedding: ~typing.Optional[~langchain_core.embeddings.embeddings.Embeddings] = None, es_connection: ~typing.Optional[Elasticsearch] = None, es_url: ~typing.Optional[str] = None, es_cloud_id: ~typing.Optional[str] = None, es_user: ~typing.Optional[str] = None, es_api_key: ~typing.Optional[str] = None, es_password: ~typing.Optional[str] = None, vector_query_field: str = 'vector', query_field: str = 'text', distance_strategy: ~typing.Optional[~typing.Literal[<DistanceStrategy.COSINE: 'COSINE'>, <DistanceStrategy.DOT_PRODUCT: 'DOT_PRODUCT'>, <DistanceStrategy.EUCLIDEAN_DISTANCE: 'EUCLIDEAN_DISTANCE'>, <DistanceStrategy.MAX_INNER_PRODUCT: 'MAX_INNER_PRODUCT'>]] = None, strategy: ~langchain_community.vectorstores.elasticsearch.BaseRetrievalStrategy = <langchain_community.vectorstores.elasticsearch.ApproxRetrievalStrategy object>, es_params: ~typing.Optional[~typing.Dict[str, ~typing.Any]] = None)[source]¶
[Deprecated] `Elasticsearch`向量存储。
- 示例:
from langchain_community.vectorstores import ElasticsearchStore from langchain_community.embeddings.openai import OpenAIEmbeddings vectorstore = ElasticsearchStore( embedding=OpenAIEmbeddings(), index_name="langchain-demo", es_url="http://localhost:9200" )
- 参数:
index_name: 要创建的Elasticsearch索引的名称。 es_url: 要连接的Elasticsearch实例的URL。 cloud_id: 要连接的Elasticsearch实例的云ID。 es_user: 连接到Elasticsearch时要使用的用户名。 es_password: 连接到Elasticsearch时要使用的密码。 es_api_key: 连接到Elasticsearch时要使用的API密钥。 es_connection: 可选的现有Elasticsearch连接。 vector_query_field: 可选。用于存储嵌入向量的字段名称。 query_field: 可选。用于存储文本的字段名称。 strategy: 可选。在搜索索引时要使用的检索策略。
默认为ApproxRetrievalStrategy。可以是ExactRetrievalStrategy、ApproxRetrievalStrategy 或SparseRetrievalStrategy之一。
- distance_strategy: 可选。在搜索索引时要使用的距离策略。
默认为COSINE。可以是COSINE、EUCLIDEAN_DISTANCE、MAX_INNER_PRODUCT或DOT_PRODUCT之一。
如果要使用云托管的Elasticsearch实例,可以传入cloud_id参数而不是es_url参数。
- 示例:
from langchain_community.vectorstores import ElasticsearchStore from langchain_community.embeddings.openai import OpenAIEmbeddings vectorstore = ElasticsearchStore( embedding=OpenAIEmbeddings(), index_name="langchain-demo", es_cloud_id="<cloud_id>" es_user="elastic", es_password="<password>" )
您还可以通过es_connection参数传入预先存在的Elasticsearch连接来连接到现有的Elasticsearch实例。
- 示例:
from langchain_community.vectorstores import ElasticsearchStore from langchain_community.embeddings.openai import OpenAIEmbeddings from elasticsearch import Elasticsearch es_connection = Elasticsearch("http://localhost:9200") vectorstore = ElasticsearchStore( embedding=OpenAIEmbeddings(), index_name="langchain-demo", es_connection=es_connection )
ElasticsearchStore默认使用ApproxRetrievalStrategy,该策略使用HNSW算法执行近似最近邻搜索。这是最快速和最节省内存的算法。
如果要使用暴力/精确策略来搜索向量,可以将ExactRetrievalStrategy传递给ElasticsearchStore构造函数。
- 示例:
from langchain_community.vectorstores import ElasticsearchStore from langchain_community.embeddings.openai import OpenAIEmbeddings vectorstore = ElasticsearchStore( embedding=OpenAIEmbeddings(), index_name="langchain-demo", es_url="http://localhost:9200", strategy=ElasticsearchStore.ExactRetrievalStrategy() )
这两种策略都要求在创建索引时知道要使用的相似度度量。默认为余弦相似度,但也可以使用点积或欧氏距离。
- 示例:
from langchain_community.vectorstores import ElasticsearchStore from langchain_community.embeddings.openai import OpenAIEmbeddings from langchain_community.vectorstores.utils import DistanceStrategy vectorstore = ElasticsearchStore( "langchain-demo", embedding=OpenAIEmbeddings(), es_url="http://localhost:9200", distance_strategy="DOT_PRODUCT" )
Notes
Deprecated since version 0.0.27: Use Use class in langchain-elasticsearch package instead.
Attributes
embeddings
如果可用,访问查询嵌入对象。
Methods
ApproxRetrievalStrategy
([query_model_id, ...])用于使用HNSW算法执行近似最近邻搜索。
用于通过脚本评分执行暴力/精确最近邻搜索。
SparseVectorRetrievalStrategy
([model_id])用于通过文本扩展执行稀疏向量搜索。 用于希望使用ELSER模型执行文档搜索时。
__init__
(index_name, *[, embedding, ...])aadd_documents
(documents, **kwargs)运行更多的文档通过嵌入并添加到向量存储中。
aadd_texts
(texts[, metadatas])运行更多的文本通过嵌入,并添加到向量存储中。
add_documents
(documents, **kwargs)运行更多的文档通过嵌入并添加到向量存储中。
add_embeddings
(text_embeddings[, metadatas, ...])将给定的文本和嵌入添加到向量存储中。
add_texts
(texts[, metadatas, ids, ...])运行更多的文本通过嵌入并添加到向量存储中。
adelete
([ids])根据向量ID或其他条件进行删除。
afrom_documents
(documents, embedding, **kwargs)返回从文档和嵌入初始化的VectorStore。
afrom_texts
(texts, embedding[, metadatas])返回从文本和嵌入初始化的VectorStore。
amax_marginal_relevance_search
(query[, k, ...])返回使用最大边际相关性选择的文档。
返回使用最大边际相关性选择的文档。
as_retriever
(**kwargs)返回从此VectorStore初始化的VectorStoreRetriever。
asearch
(query, search_type, **kwargs)返回使用指定搜索类型的查询最相似的文档。
asimilarity_search
(query[, k])返回与查询最相似的文档。
asimilarity_search_by_vector
(embedding[, k])返回与嵌入向量最相似的文档。
返回文档和相关性分数在范围[0, 1]内,异步执行。
asimilarity_search_with_score
(*args, **kwargs)使用异步方式运行相似性搜索与距离。
connect_to_elasticsearch
(*[, es_url, ...])delete
([ids, refresh_indices])从Elasticsearch索引中删除文档。
from_documents
(documents[, embedding, ...])从文档构建ElasticsearchStore包装器。
from_texts
(texts[, embedding, metadatas, ...])从原始文档构建ElasticsearchStore包装器。
max_marginal_relevance_search
(query[, k, ...])返回使用最大边际相关性选择的文档。
返回使用最大边际相关性选择的文档。
search
(query, search_type, **kwargs)返回使用指定搜索类型的查询最相似的文档。
similarity_search
(query[, k, fetch_k, filter])返回与查询最相似的Elasticsearch文档。
similarity_search_by_vector
(embedding[, k])返回与嵌入向量最相似的文档。
返回与查询最相似的Elasticsearch文档,以及分数。
返回文档和相关性得分在[0, 1]范围内。
similarity_search_with_score
(query[, k, filter])返回与查询最相似的Elasticsearch文档,以及分数。
- Parameters
index_name (str) –
embedding (Optional[Embeddings]) –
es_connection (Optional[Elasticsearch]) –
es_url (Optional[str]) –
es_cloud_id (Optional[str]) –
es_user (Optional[str]) –
es_api_key (Optional[str]) –
es_password (Optional[str]) –
vector_query_field (str) –
query_field (str) –
distance_strategy (Optional[Literal[<DistanceStrategy.COSINE: 'COSINE'>, <DistanceStrategy.DOT_PRODUCT: 'DOT_PRODUCT'>, <DistanceStrategy.EUCLIDEAN_DISTANCE: 'EUCLIDEAN_DISTANCE'>, <DistanceStrategy.MAX_INNER_PRODUCT: 'MAX_INNER_PRODUCT'>]]) –
strategy (BaseRetrievalStrategy) –
es_params (Optional[Dict[str, Any]]) –
- static ApproxRetrievalStrategy(query_model_id: Optional[str] = None, hybrid: Optional[bool] = False, rrf: Optional[Union[dict, bool]] = True) ApproxRetrievalStrategy [source]¶
用于使用HNSW算法执行近似最近邻搜索。
在构建索引时,此策略将在索引中创建一个密集向量字段,并将嵌入向量存储在索引中。
在查询时,文本将使用提供的嵌入函数进行嵌入,或者将使用query_model_id来使用部署到Elasticsearch的模型对文本进行嵌入。
如果使用query_model_id,则不要提供嵌入函数。
- 参数:
query_model_id:可选。用于在堆栈内嵌入查询文本的模型的ID。需要将嵌入模型部署到Elasticsearch。 hybrid:可选。如果为True,则将使用knn查询和文本查询执行混合搜索。默认为False。 rrf:可选。rrf是Reciprocal Rank Fusion。当`hybrid`为True时,
并且`rrf`为True时,然后rrf: {}。 并且`rrf`为False时,然后省略rrf。 并且isinstance(rrf, dict)为True时,然后传递字典值。
可以传递rrf以调整’rank_constant’和’window_size’。
- Parameters
query_model_id (Optional[str]) –
hybrid (Optional[bool]) –
rrf (Optional[Union[dict, bool]]) –
- Return type
- static ExactRetrievalStrategy() ExactRetrievalStrategy [source]¶
用于通过脚本评分执行暴力/精确最近邻搜索。
- Return type
- static SparseVectorRetrievalStrategy(model_id: Optional[str] = None) SparseRetrievalStrategy [source]¶
用于通过文本扩展执行稀疏向量搜索。 用于希望使用ELSER模型执行文档搜索时。
在构建索引时,此策略将创建一个流水线,将使用ELSER模型嵌入文本并将生成的标记存储在索引中。
在查询时,文本将使用ELSER模型嵌入,生成的标记将用于执行文本扩展查询。
- 参数:
- model_id:可选。默认为”.elser_model_1”。
要用于嵌入查询文本的模型的ID 在Elasticsearch中部署嵌入模型。
- Parameters
model_id (Optional[str]) –
- Return type
- __init__(index_name: str, *, embedding: ~typing.Optional[~langchain_core.embeddings.embeddings.Embeddings] = None, es_connection: ~typing.Optional[Elasticsearch] = None, es_url: ~typing.Optional[str] = None, es_cloud_id: ~typing.Optional[str] = None, es_user: ~typing.Optional[str] = None, es_api_key: ~typing.Optional[str] = None, es_password: ~typing.Optional[str] = None, vector_query_field: str = 'vector', query_field: str = 'text', distance_strategy: ~typing.Optional[~typing.Literal[<DistanceStrategy.COSINE: 'COSINE'>, <DistanceStrategy.DOT_PRODUCT: 'DOT_PRODUCT'>, <DistanceStrategy.EUCLIDEAN_DISTANCE: 'EUCLIDEAN_DISTANCE'>, <DistanceStrategy.MAX_INNER_PRODUCT: 'MAX_INNER_PRODUCT'>]] = None, strategy: ~langchain_community.vectorstores.elasticsearch.BaseRetrievalStrategy = <langchain_community.vectorstores.elasticsearch.ApproxRetrievalStrategy object>, es_params: ~typing.Optional[~typing.Dict[str, ~typing.Any]] = None)[source]¶
- Parameters
index_name (str) –
embedding (Optional[Embeddings]) –
es_connection (Optional[Elasticsearch]) –
es_url (Optional[str]) –
es_cloud_id (Optional[str]) –
es_user (Optional[str]) –
es_api_key (Optional[str]) –
es_password (Optional[str]) –
vector_query_field (str) –
query_field (str) –
distance_strategy (Optional[Literal[<DistanceStrategy.COSINE: 'COSINE'>, <DistanceStrategy.DOT_PRODUCT: 'DOT_PRODUCT'>, <DistanceStrategy.EUCLIDEAN_DISTANCE: 'EUCLIDEAN_DISTANCE'>, <DistanceStrategy.MAX_INNER_PRODUCT: 'MAX_INNER_PRODUCT'>]]) –
strategy (BaseRetrievalStrategy) –
es_params (Optional[Dict[str, Any]]) –
- async aadd_documents(documents: List[Document], **kwargs: Any) List[str] ¶
运行更多的文档通过嵌入并添加到向量存储中。
- 参数:
documents (List[Document]): 要添加到向量存储中的文档。
- 返回:
List[str]: 添加的文本的ID列表。
- Parameters
documents (List[Document]) –
kwargs (Any) –
- Return type
List[str]
- async aadd_texts(texts: Iterable[str], metadatas: Optional[List[dict]] = None, **kwargs: Any) List[str] ¶
运行更多的文本通过嵌入,并添加到向量存储中。
- Parameters
texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
kwargs (Any) –
- Return type
List[str]
- add_documents(documents: List[Document], **kwargs: Any) List[str] ¶
运行更多的文档通过嵌入并添加到向量存储中。
- 参数:
documents (List[Document]): 要添加到向量存储中的文档。
- 返回:
List[str]: 添加的文本的ID列表。
- Parameters
documents (List[Document]) –
kwargs (Any) –
- Return type
List[str]
- add_embeddings(text_embeddings: Iterable[Tuple[str, List[float]]], metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, refresh_indices: bool = True, create_index_if_not_exists: bool = True, bulk_kwargs: Optional[Dict] = None, **kwargs: Any) List[str] [source]¶
将给定的文本和嵌入添加到向量存储中。
- 参数:
text_embeddings:要添加到向量存储中的字符串和嵌入的可迭代对。 metadatas:与文本相关的元数据的可选列表。 ids:唯一ID的可选列表。 refresh_indices:在添加文本后是否刷新Elasticsearch索引。 create_index_if_not_exists:如果索引尚不存在,是否创建Elasticsearch索引。 *bulk_kwargs:传递给Elasticsearch批量操作的其他参数。
chunk_size:可选。一次添加到索引的文本数量。默认为500。
- 返回:
将文本添加到向量存储中的ID列表。
- Parameters
text_embeddings (Iterable[Tuple[str, List[float]]]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
refresh_indices (bool) –
create_index_if_not_exists (bool) –
bulk_kwargs (Optional[Dict]) –
kwargs (Any) –
- Return type
List[str]
- add_texts(texts: Iterable[str], metadatas: Optional[List[Dict[Any, Any]]] = None, ids: Optional[List[str]] = None, refresh_indices: bool = True, create_index_if_not_exists: bool = True, bulk_kwargs: Optional[Dict] = None, **kwargs: Any) List[str] [source]¶
运行更多的文本通过嵌入并添加到向量存储中。
- 参数:
texts:要添加到向量存储中的字符串的可迭代对象。 metadatas:与文本相关联的元数据的可选列表。 ids:与文本关联的可选id列表。 refresh_indices:在添加文本后是否刷新Elasticsearch索引。 create_index_if_not_exists:如果索引不存在是否创建Elasticsearch索引。 *bulk_kwargs:传递给Elasticsearch批量操作的其他参数。
chunk_size:可选。一次添加到索引的文本数量。默认为500。
- 返回:
将文本添加到向量存储中的id列表。
- Parameters
texts (Iterable[str]) –
metadatas (Optional[List[Dict[Any, Any]]]) –
ids (Optional[List[str]]) –
refresh_indices (bool) –
create_index_if_not_exists (bool) –
bulk_kwargs (Optional[Dict]) –
kwargs (Any) –
- Return type
List[str]
- async adelete(ids: Optional[List[str]] = None, **kwargs: Any) Optional[bool] ¶
根据向量ID或其他条件进行删除。
- 参数:
ids:要删除的ID列表。 **kwargs:子类可能使用的其他关键字参数。
- 返回:
Optional[bool]:如果删除成功则为True,否则为False,如果未实现则为None。
- Parameters
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
Optional[bool]
- async classmethod afrom_documents(documents: List[Document], embedding: Embeddings, **kwargs: Any) VST ¶
返回从文档和嵌入初始化的VectorStore。
- Parameters
documents (List[Document]) –
embedding (Embeddings) –
kwargs (Any) –
- Return type
VST
- async classmethod afrom_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, **kwargs: Any) VST ¶
返回从文本和嵌入初始化的VectorStore。
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
kwargs (Any) –
- Return type
VST
- async amax_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, **kwargs: Any) List[Document] ¶
返回使用最大边际相关性选择的文档。
最大边际相关性优化了与查询的相似性和所选文档之间的多样性。
- 参数:
query:要查找类似文档的文本。 k:要返回的文档数量。默认为4。 fetch_k:要获取以传递给MMR算法的文档数量。 lambda_mult:0到1之间的数字,确定结果之间多样性的程度,0对应最大多样性,1对应最小多样性。默认为0.5。
- 返回:
由最大边际相关性选择的文档列表。
- Parameters
query (str) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
kwargs (Any) –
- Return type
List[Document]
- async amax_marginal_relevance_search_by_vector(embedding: List[float], k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, **kwargs: Any) List[Document] ¶
返回使用最大边际相关性选择的文档。
- Parameters
embedding (List[float]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
kwargs (Any) –
- Return type
List[Document]
- as_retriever(**kwargs: Any) VectorStoreRetriever ¶
返回从此VectorStore初始化的VectorStoreRetriever。
- 参数:
- search_type(可选[str]):定义Retriever应执行的搜索类型。
可以是”similarity”(默认值)、”mmr”或”similarity_score_threshold”。
- search_kwargs(可选[Dict]):传递给搜索函数的关键字参数。可以包括:
k:要返回的文档数量(默认值:4) score_threshold:用于similarity_score_threshold的最小相关性阈值 fetch_k:传递给MMR算法的文档数量(默认值:20) lambda_mult:MMR返回结果的多样性;1表示最小多样性,0表示最大多样性(默认值:0.5) filter:按文档元数据筛选
- 返回:
VectorStoreRetriever:VectorStore的Retriever类。
示例:
# 检索更多具有更高多样性的文档 # 如果数据集中有许多相似的文档,则很有用 docsearch.as_retriever( search_type="mmr", search_kwargs={'k': 6, 'lambda_mult': 0.25} ) # 为MMR算法考虑更多文档 # 但只返回前5个 docsearch.as_retriever( search_type="mmr", search_kwargs={'k': 5, 'fetch_k': 50} ) # 仅检索具有特定阈值以上相关性分数的文档 docsearch.as_retriever( search_type="similarity_score_threshold", search_kwargs={'score_threshold': 0.8} ) # 仅从数据集中获取最相似的单个文档 docsearch.as_retriever(search_kwargs={'k': 1}) # 使用筛选器仅从特定论文中检索文档 docsearch.as_retriever( search_kwargs={'filter': {'paper_title':'GPT-4 Technical Report'}} )
- Parameters
kwargs (Any) –
- Return type
- async asearch(query: str, search_type: str, **kwargs: Any) List[Document] ¶
返回使用指定搜索类型的查询最相似的文档。
- Parameters
query (str) –
search_type (str) –
kwargs (Any) –
- Return type
List[Document]
- async asimilarity_search(query: str, k: int = 4, **kwargs: Any) List[Document] ¶
返回与查询最相似的文档。
- Parameters
query (str) –
k (int) –
kwargs (Any) –
- Return type
List[Document]
- async asimilarity_search_by_vector(embedding: List[float], k: int = 4, **kwargs: Any) List[Document] ¶
返回与嵌入向量最相似的文档。
- Parameters
embedding (List[float]) –
k (int) –
kwargs (Any) –
- Return type
List[Document]
- async asimilarity_search_with_relevance_scores(query: str, k: int = 4, **kwargs: Any) List[Tuple[Document, float]] ¶
返回文档和相关性分数在范围[0, 1]内,异步执行。
0表示不相似,1表示最相似。
- 参数:
query:输入文本 k:要返回的文档数量。默认为4。 **kwargs:要传递给相似性搜索的kwargs。应包括:
score_threshold:可选,介于0到1之间的浮点值,用于过滤检索到的文档集
- 返回:
元组列表(doc,相似度分数)的列表
- Parameters
query (str) –
k (int) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- async asimilarity_search_with_score(*args: Any, **kwargs: Any) List[Tuple[Document, float]] ¶
使用异步方式运行相似性搜索与距离。
- Parameters
args (Any) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- static connect_to_elasticsearch(*, es_url: Optional[str] = None, cloud_id: Optional[str] = None, api_key: Optional[str] = None, username: Optional[str] = None, password: Optional[str] = None, es_params: Optional[Dict[str, Any]] = None) Elasticsearch [source]¶
- Parameters
es_url (Optional[str]) –
cloud_id (Optional[str]) –
api_key (Optional[str]) –
username (Optional[str]) –
password (Optional[str]) –
es_params (Optional[Dict[str, Any]]) –
- Return type
Elasticsearch
- delete(ids: Optional[List[str]] = None, refresh_indices: Optional[bool] = True, **kwargs: Any) Optional[bool] [source]¶
从Elasticsearch索引中删除文档。
- 参数:
ids:要删除的文档的id列表。 refresh_indices:在删除文档后是否刷新索引。默认为True。
- Parameters
ids (Optional[List[str]]) –
refresh_indices (Optional[bool]) –
kwargs (Any) –
- Return type
Optional[bool]
- classmethod from_documents(documents: List[Document], embedding: Optional[Embeddings] = None, bulk_kwargs: Optional[Dict] = None, **kwargs: Any) ElasticsearchStore [source]¶
从文档构建ElasticsearchStore包装器。
- 示例:
from langchain_community.vectorstores import ElasticsearchStore from langchain_community.embeddings.openai import OpenAIEmbeddings db = ElasticsearchStore.from_documents( texts, embeddings, index_name="langchain-demo", es_url="http://localhost:9200" )
- 参数:
texts: 要添加到Elasticsearch索引的文本列表。 embedding: 用于嵌入文本的嵌入函数。
如果使用不需要推理的策略,则不要提供。
metadatas: 与文本相关的元数据的可选列表。 index_name: 要创建的Elasticsearch索引的名称。 es_url: 要连接的Elasticsearch实例的URL。 cloud_id: 要连接的Elasticsearch实例的Cloud ID。 es_user: 连接到Elasticsearch时要使用的用户名。 es_password: 连接到Elasticsearch时要使用的密码。 es_api_key: 连接到Elasticsearch时要使用的API密钥。 es_connection: 可选的现有Elasticsearch连接。 vector_query_field: 可选。用于存储嵌入向量的字段名称。 query_field: 可选。用于存储文本的字段名称。 bulk_kwargs: 可选。传递给Elasticsearch批量操作的其他参数。
- Parameters
documents (List[Document]) –
embedding (Optional[Embeddings]) –
bulk_kwargs (Optional[Dict]) –
kwargs (Any) –
- Return type
- classmethod from_texts(texts: List[str], embedding: Optional[Embeddings] = None, metadatas: Optional[List[Dict[str, Any]]] = None, bulk_kwargs: Optional[Dict] = None, **kwargs: Any) ElasticsearchStore [source]¶
从原始文档构建ElasticsearchStore包装器。
- 示例:
from langchain_community.vectorstores import ElasticsearchStore from langchain_community.embeddings.openai import OpenAIEmbeddings db = ElasticsearchStore.from_texts( texts, // 如果使用不需要推理的策略,则嵌入是可选的 embeddings, index_name="langchain-demo", es_url="http://localhost:9200" )
- 参数:
texts:要添加到Elasticsearch索引的文本列表。 embedding:用于嵌入文本的嵌入函数。 metadatas:与文本相关联的元数据的可选列表。 index_name:要创建的Elasticsearch索引的名称。 es_url:要连接的Elasticsearch实例的URL。 cloud_id:要连接的Elasticsearch实例的云ID。 es_user:连接到Elasticsearch时要使用的用户名。 es_password:连接到Elasticsearch时要使用的密码。 es_api_key:连接到Elasticsearch时要使用的API密钥。 es_connection:可选的现有Elasticsearch连接。 vector_query_field:可选。存储嵌入向量的字段名称。 query_field:可选。存储文本的字段名称。 distance_strategy:可选。要使用的距离策略的名称。默认为”COSINE”。可以是”COSINE”、”EUCLIDEAN_DISTANCE”、”DOT_PRODUCT”、”MAX_INNER_PRODUCT”之一。 bulk_kwargs:可选。传递给Elasticsearch批量操作的附加参数。
- Parameters
texts (List[str]) –
embedding (Optional[Embeddings]) –
metadatas (Optional[List[Dict[str, Any]]]) –
bulk_kwargs (Optional[Dict]) –
kwargs (Any) –
- Return type
- max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, fields: Optional[List[str]] = None, **kwargs: Any) List[Document] [source]¶
返回使用最大边际相关性选择的文档。
最大边际相关性优化了与查询的相似性和所选文档之间的多样性。
- 参数:
query (str): 要查找类似文档的文本。 k (int): 要返回的文档数量。默认为4。 fetch_k (int): 要获取以传递给MMR算法的文档数量。 lambda_mult (float): 0到1之间的数字,确定结果之间多样性的程度,
0对应最大多样性,1对应最小多样性。默认为0.5。
fields: 从elasticsearch源获取的其他字段。这些字段将添加到文档元数据中。
- 返回:
List[Document]: 通过最大边际相关性选择的文档列表。
- Parameters
query (str) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
fields (Optional[List[str]]) –
kwargs (Any) –
- Return type
List[Document]
- max_marginal_relevance_search_by_vector(embedding: List[float], k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, **kwargs: Any) List[Document] ¶
返回使用最大边际相关性选择的文档。
最大边际相关性优化了与查询的相似性和所选文档之间的多样性。
- 参数:
embedding:要查找相似文档的嵌入。 k:要返回的文档数量。默认为4。 fetch_k:要获取以传递给MMR算法的文档数量。 lambda_mult:介于0和1之间的数字,确定结果之间多样性的程度,其中0对应最大多样性,1对应最小多样性。默认为0.5。
- 返回:
由最大边际相关性选择的文档列表。
- Parameters
embedding (List[float]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
kwargs (Any) –
- Return type
List[Document]
- search(query: str, search_type: str, **kwargs: Any) List[Document] ¶
返回使用指定搜索类型的查询最相似的文档。
- Parameters
query (str) –
search_type (str) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search(query: str, k: int = 4, fetch_k: int = 50, filter: Optional[List[dict]] = None, **kwargs: Any) List[Document] [source]¶
返回与查询最相似的Elasticsearch文档。
- 参数:
query: 要查找与之相似的文档的文本。 k: 要返回的文档数量。默认为4。 fetch_k (int): 要获取的文档数量,以传递给knn num_candidates。 filter: 要应用于查询的Elasticsearch过滤器子句数组。
- 返回:
与查询最相似的文档列表, 按相似度降序排列。
- Parameters
query (str) –
k (int) –
fetch_k (int) –
filter (Optional[List[dict]]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector(embedding: List[float], k: int = 4, **kwargs: Any) List[Document] ¶
返回与嵌入向量最相似的文档。
- 参数:
embedding:要查找与之相似的文档的嵌入。 k:要返回的文档数量。默认为4。
- 返回:
与查询向量最相似的文档列表。
- Parameters
embedding (List[float]) –
k (int) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector_with_relevance_scores(embedding: List[float], k: int = 4, filter: Optional[List[Dict]] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与查询最相似的Elasticsearch文档,以及分数。
- 参数:
embedding: 要查找与之相似文档的嵌入。 k: 要返回的文档数量。默认为4。 filter: 要应用于查询的Elasticsearch过滤子句数组。
- 返回:
与嵌入最相似的文档列表,以及每个文档的分数。
- Parameters
embedding (List[float]) –
k (int) –
filter (Optional[List[Dict]]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- similarity_search_with_relevance_scores(query: str, k: int = 4, **kwargs: Any) List[Tuple[Document, float]] ¶
返回文档和相关性得分在[0, 1]范围内。
0表示不相似,1表示最相似。
- 参数:
query:输入文本 k:要返回的文档数量。默认为4。 **kwargs:要传递给相似性搜索的kwargs。应包括:
score_threshold:可选,介于0到1之间的浮点值,用于过滤检索到的文档集
- 返回:
元组列表(doc,相似性得分)
- Parameters
query (str) –
k (int) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- similarity_search_with_score(query: str, k: int = 4, filter: Optional[List[dict]] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与查询最相似的Elasticsearch文档,以及分数。
- 参数:
query:要查找类似文档的文本。 k:要返回的文档数量。默认为4。 filter:要应用于查询的Elasticsearch过滤子句数组。
- 返回:
返回与查询最相似的文档列表,以及每个文档的分数。
- Parameters
query (str) –
k (int) –
filter (Optional[List[dict]]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]