langchain_community.vectorstores.kinetica
.Kinetica¶
- class langchain_community.vectorstores.kinetica.Kinetica(config: KineticaSettings, embedding_function: Embeddings, collection_name: str = 'langchain_kinetica_embeddings', schema_name: str = 'langchain', distance_strategy: DistanceStrategy = DistanceStrategy.EUCLIDEAN, pre_delete_collection: bool = False, logger: Optional[Logger] = None, relevance_score_fn: Optional[Callable[[float], float]] = None)[source]¶
Kinetica 向量存储。
要使用,应安装``gpudb`` python包。
- 参数:
kinetica_settings: Kinetica连接设置类。 embedding_function: 任何实现`langchain.embeddings.base.Embeddings`接口的嵌入函数。 collection_name: 要使用的集合的名称。 (默认值: langchain)
注意: 这不是表的名称,而是集合的名称。 在初始化存储时将创建表(如果不存在) 因此,请确保用户有权限创建表。
distance_strategy: 要使用的距离策略。 (默认值: COSINE) pre_delete_collection: 如果为True,则如果存在将删除集合。
(默认值: False)。 用于测试。
engine_args: SQLAlchemy的创建引擎参数。
- 示例:
from langchain_community.vectorstores import Kinetica, KineticaSettings from langchain_community.embeddings.openai import OpenAIEmbeddings kinetica_settings = KineticaSettings( host="http://127.0.0.1", username="", password="" ) COLLECTION_NAME = "kinetica_store" embeddings = OpenAIEmbeddings() vectorstore = Kinetica.from_documents( documents=docs, embedding=embeddings, collection_name=COLLECTION_NAME, config=kinetica_settings, )
Kinetica类的构造函数
- 参数:
config (KineticaSettings): 一个`KineticaSettings`实例 embedding_function (Embeddings): 要使用的嵌入函数 collection_name (str, optional): Kinetica表名称。
默认为_LANGCHAIN_DEFAULT_COLLECTION_NAME。
- schema_name (str, optional): Kinetica表名称。
默认为_LANGCHAIN_DEFAULT_SCHEMA_NAME。
- distance_strategy (DistanceStrategy, optional): _description_。
默认为DEFAULT_DISTANCE_STRATEGY。
pre_delete_collection (bool, optional): _description_。默认为False。 logger (Optional[logging.Logger], optional): _description_。
默认为None。
Attributes
distance_strategy
embeddings
如果可用,访问查询嵌入对象。
Methods
__init__
(config, embedding_function[, ...])Kinetica类的构造函数
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
(texts, embeddings[, ...])将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。
创建一个新的Kinetica模式
创建用于存储文本和嵌入向量的表格
delete
([ids])根据向量ID或其他条件进行删除。
删除一个Kinetica模式,级联设置为`true` 此方法将删除一个包含所有表的模式。
删除表格
from_documents
(documents, embedding[, ...])将传入的`Document`列表添加到向量存储中并返回
from_embeddings
(text_embeddings, embedding)将传入的嵌入添加到向量存储中并返回
from_texts
(texts, embedding[, metadatas, ...])将传入的文本添加到向量存储中并返回
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到嵌入向量。
返回使用最大边际相关性和分数选择的文档。
使用最大边际相关性和分数返回所选文档的文档。
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, filter])使用Kinetica进行带有距离的相似性搜索。
similarity_search_by_vector
(embedding[, k, ...])返回与嵌入向量最相似的文档。
返回文档和相关性得分在[0, 1]范围内。
similarity_search_with_score
(query[, k, filter])返回与查询最相似的文档。
similarity_search_with_score_by_vector
(embedding)- Parameters
config (KineticaSettings) –
embedding_function (Embeddings) –
collection_name (str) –
schema_name (str) –
distance_strategy (DistanceStrategy) –
pre_delete_collection (bool) –
logger (Optional[logging.Logger]) –
relevance_score_fn (Optional[Callable[[float], float]]) –
- Return type
None
- __init__(config: KineticaSettings, embedding_function: Embeddings, collection_name: str = 'langchain_kinetica_embeddings', schema_name: str = 'langchain', distance_strategy: DistanceStrategy = DistanceStrategy.EUCLIDEAN, pre_delete_collection: bool = False, logger: Optional[Logger] = None, relevance_score_fn: Optional[Callable[[float], float]] = None) None [source]¶
Kinetica类的构造函数
- 参数:
config (KineticaSettings): 一个`KineticaSettings`实例 embedding_function (Embeddings): 要使用的嵌入函数 collection_name (str, optional): Kinetica表名称。
默认为_LANGCHAIN_DEFAULT_COLLECTION_NAME。
- schema_name (str, optional): Kinetica表名称。
默认为_LANGCHAIN_DEFAULT_SCHEMA_NAME。
- distance_strategy (DistanceStrategy, optional): _description_。
默认为DEFAULT_DISTANCE_STRATEGY。
pre_delete_collection (bool, optional): _description_。默认为False。 logger (Optional[logging.Logger], optional): _description_。
默认为None。
- Parameters
config (KineticaSettings) –
embedding_function (Embeddings) –
collection_name (str) –
schema_name (str) –
distance_strategy (DistanceStrategy) –
pre_delete_collection (bool) –
logger (Optional[Logger]) –
relevance_score_fn (Optional[Callable[[float], float]]) –
- Return type
None
- 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(texts: Iterable[str], embeddings: List[List[float]], metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, **kwargs: Any) List[str] [source]¶
将嵌入添加到向量存储中。
- 参数:
texts:要添加到向量存储中的字符串的可迭代对象。 embeddings:嵌入向量的列表的列表。 metadatas:与文本相关联的元数据列表。 ids:文本嵌入对的id列表 kwargs:向量存储特定参数
- Parameters
texts (Iterable[str]) –
embeddings (List[List[float]]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
List[str]
- add_texts(texts: Iterable[str], metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = 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(JSON数据)的可选列表。 ids: 提供的文本的ID(UUID)列表;如果为None,则将生成ID。 kwargs: 向量存储特定参数
- 返回:
将文本添加到向量存储中后的ID列表。
- Parameters
texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
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, filter: Optional[Dict[str, str]] = None, **kwargs: Any) List[Document] [source]¶
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) –
filter (Optional[Dict[str, str]]) –
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]]
- delete(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]
- classmethod from_documents(documents: List[Document], embedding: Embeddings, config: KineticaSettings = KineticaSettings(host='http://127.0.0.1', port=9191, username=None, password=None, database='langchain', table='langchain_kinetica_embeddings', metric='l2'), metadatas: Optional[List[dict]] = None, collection_name: str = 'langchain_kinetica_embeddings', distance_strategy: DistanceStrategy = DistanceStrategy.EUCLIDEAN, ids: Optional[List[str]] = None, pre_delete_collection: bool = False, **kwargs: Any) Kinetica [source]¶
将传入的`Document`列表添加到向量存储中并返回
- 参数:
cls (Type[Kinetica]): Kinetica类 texts (List[str]): 生成嵌入的文本列表 embedding (Embeddings): 嵌入列表 config (KineticaSettings): `KineticaSettings`实例 metadatas (Optional[List[dict]], optional): 描述文本/文档的JSON字典列表。默认为None。 collection_name (str, optional): Kinetica模式名称。默认为_LANGCHAIN_DEFAULT_COLLECTION_NAME。 distance_strategy (DistanceStrategy, optional): 距离策略,例如l2、cosine等。默认为DEFAULT_DISTANCE_STRATEGY。 ids (Optional[List[str]], optional): 每个文本/文档的UUID列表。默认为None。 pre_delete_collection (bool, optional): 指示是否删除Kinetica模式。默认为False。
- 返回:
Kinetica: 一个`Kinetica`实例
- Parameters
documents (List[Document]) –
embedding (Embeddings) –
config (KineticaSettings) –
metadatas (Optional[List[dict]]) –
collection_name (str) –
distance_strategy (DistanceStrategy) –
ids (Optional[List[str]]) –
pre_delete_collection (bool) –
kwargs (Any) –
- Return type
- classmethod from_embeddings(text_embeddings: List[Tuple[str, List[float]]], embedding: Embeddings, metadatas: Optional[List[dict]] = None, config: KineticaSettings = KineticaSettings(host='http://127.0.0.1', port=9191, username=None, password=None, database='langchain', table='langchain_kinetica_embeddings', metric='l2'), dimensions: int = Dimension.OPENAI, collection_name: str = 'langchain_kinetica_embeddings', distance_strategy: DistanceStrategy = DistanceStrategy.EUCLIDEAN, ids: Optional[List[str]] = None, pre_delete_collection: bool = False, **kwargs: Any) Kinetica [source]¶
将传入的嵌入添加到向量存储中并返回
- 参数:
cls (Type[Kinetica]): Kinetica类 text_embeddings (List[Tuple[str, List[float]]]): 一组文本和嵌入 embedding (Embeddings): 嵌入列表 metadatas (Optional[List[dict]], optional): 字典列表,描述文本/文档。默认为None。 config (KineticaSettings): `KineticaSettings`实例 dimensions (int, optional): 向量数据的维度,如果未传入,则使用默认值。默认为Dimension.OPENAI。 collection_name (str, optional): Kinetica模式名称。默认为_LANGCHAIN_DEFAULT_COLLECTION_NAME。 distance_strategy (DistanceStrategy, optional): 距离策略,例如l2、cosine等。默认为DEFAULT_DISTANCE_STRATEGY。 ids (Optional[List[str]], optional): 每个文本/文档的UUID列表。默认为None。 pre_delete_collection (bool, optional): 指示是否删除Kinetica模式。默认为False。
- 返回:
Kinetica: 一个`Kinetica`实例
- Parameters
text_embeddings (List[Tuple[str, List[float]]]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
config (KineticaSettings) –
dimensions (int) –
collection_name (str) –
distance_strategy (DistanceStrategy) –
ids (Optional[List[str]]) –
pre_delete_collection (bool) –
kwargs (Any) –
- Return type
- classmethod from_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, config: KineticaSettings = KineticaSettings(host='http://127.0.0.1', port=9191, username=None, password=None, database='langchain', table='langchain_kinetica_embeddings', metric='l2'), collection_name: str = 'langchain_kinetica_embeddings', distance_strategy: DistanceStrategy = DistanceStrategy.EUCLIDEAN, ids: Optional[List[str]] = None, pre_delete_collection: bool = False, **kwargs: Any) Kinetica [source]¶
将传入的文本添加到向量存储中并返回
- 参数:
cls (Type[Kinetica]): Kinetica类 texts (List[str]): 生成嵌入的文本列表 embedding (Embeddings): 嵌入列表 metadatas (Optional[List[dict]], optional): 描述文本/文档的JSON字典列表。默认为None。 config (KineticaSettings): `KineticaSettings`实例 collection_name (str, optional): Kinetica模式名称。默认为_LANGCHAIN_DEFAULT_COLLECTION_NAME。 distance_strategy (DistanceStrategy, optional): 距离策略,例如l2、cosine等。默认为DEFAULT_DISTANCE_STRATEGY。 ids (Optional[List[str]], optional): 每个文本/文档的UUID列表。默认为None。 pre_delete_collection (bool, optional): 指示是否删除Kinetica模式。默认为False。
- 返回:
Kinetica: `Kinetica`实例
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
config (KineticaSettings) –
collection_name (str) –
distance_strategy (DistanceStrategy) –
ids (Optional[List[str]]) –
pre_delete_collection (bool) –
kwargs (Any) –
- Return type
- max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Optional[Dict[str, 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。
默认为20。
- lambda_mult (float): 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对应于最大多样性,1对应于最小多样性。 默认为0.5。
filter (Optional[Dict[str, str]]): 按元数据筛选。默认为None。
- 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) –
filter (Optional[Dict[str, 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, filter: Optional[Dict[str, str]] = None, **kwargs: Any) List[Document] [source]¶
返回使用最大边际相关性选择的文档到嵌入向量。
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 (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。
默认为20。
- 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。
filter (Optional[Dict[str, str]]): 按元数据筛选。默认为None。
- 返回:
List[Document]: 通过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) –
filter (Optional[Dict[str, str]]) –
kwargs (Any) –
- Return type
List[Document]
- max_marginal_relevance_search_with_score(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Optional[dict] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回使用最大边际相关性和分数选择的文档。
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。
默认为20。
- 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。
filter (Optional[Dict[str, str]]): 按元数据过滤。默认为None。
- 返回:
- List[Tuple[Document, float]]: 通过最大边际相关性选择的文档列表,
以及每个文档的得分。
- Parameters
query (str) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
filter (Optional[dict]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- max_marginal_relevance_search_with_score_by_vector(embedding: List[float], k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, filter: Optional[Dict[str, str]] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
使用最大边际相关性和分数返回所选文档的文档。
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 (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。默认为20。 lambda_mult (float): 0到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。 filter (Optional[Dict[str, str]]): 按元数据筛选。默认为None。
- 返回:
List[Tuple[Document, float]]: 通过最大边际相关性选择的文档列表,以及每个文档的得分。
- Parameters
embedding (List[float]) –
k (int) –
fetch_k (int) –
lambda_mult (float) –
filter (Optional[Dict[str, str]]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- 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, filter: Optional[dict] = None, **kwargs: Any) List[Document] [source]¶
使用Kinetica进行带有距离的相似性搜索。
- 参数:
query (str): 要搜索的查询文本。 k (int): 要返回的结果数量。默认为4。 filter (Optional[Dict[str, str]]): 按元数据进行过滤。默认为None。
- 返回:
与查询最相似的文档列表。
- Parameters
query (str) –
k (int) –
filter (Optional[dict]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector(embedding: List[float], k: int = 4, filter: Optional[dict] = None, **kwargs: Any) List[Document] [source]¶
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。 filter (Optional[Dict[str, str]]): 按元数据筛选。默认为None。
- 返回:
返回与查询向量最相似的文档列表。
- Parameters
embedding (List[float]) –
k (int) –
filter (Optional[dict]) –
kwargs (Any) –
- Return type
List[Document]
- 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[dict] = None) List[Tuple[Document, float]] [source]¶
返回与查询最相似的文档。
- 参数:
query:要查找相似文档的文本。 k:要返回的文档数量。默认为4。 filter(可选[Dict[str,str]]):按元数据过滤。默认为无。
- 返回:
返回与查询最相似的文档列表,以及每个文档的得分。
- Parameters
query (str) –
k (int) –
filter (Optional[dict]) –
- Return type
List[Tuple[Document, float]]