langchain_community.vectorstores.neo4j_vector
.Neo4jVector¶
- class langchain_community.vectorstores.neo4j_vector.Neo4jVector(embedding: Embeddings, *, search_type: SearchType = SearchType.VECTOR, username: Optional[str] = None, password: Optional[str] = None, url: Optional[str] = None, keyword_index_name: Optional[str] = 'keyword', database: Optional[str] = None, index_name: str = 'vector', node_label: str = 'Chunk', embedding_node_property: str = 'embedding', text_node_property: str = 'text', distance_strategy: DistanceStrategy = DistanceStrategy.COSINE, logger: Optional[Logger] = None, pre_delete_collection: bool = False, retrieval_query: str = '', relevance_score_fn: Optional[Callable[[float], float]] = None, index_type: IndexType = IndexType.NODE, graph: Optional[Neo4jGraph] = None)[source]¶
Neo4j 向量索引。
要使用,应安装
neo4j
python 包。- 参数:
url: Neo4j 连接 url username: Neo4j 用户名。 password: Neo4j 密码 database: 可选提供 Neo4j 数据库
默认为 “neo4j”
embedding: 任何实现 langchain.embeddings.base.Embeddings 接口的嵌入函数。 distance_strategy: 要使用的距离策略。 (默认: COSINE) pre_delete_collection: 如果为 True,将删除现有数据(如果存在)。
(默认: False)。用于测试。
- 示例:
from langchain_community.vectorstores.neo4j_vector import Neo4jVector from langchain_community.embeddings.openai import OpenAIEmbeddings url="bolt://localhost:7687" username="neo4j" password="pleaseletmein" embeddings = OpenAIEmbeddings() vectorestore = Neo4jVector.from_documents( embedding=embeddings, documents=docs, url=url username=username, password=password, )
Attributes
embeddings
如果可用,访问查询嵌入对象。
Methods
__init__
(embedding, *[, search_type, ...])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])运行更多文本通过嵌入并添加到向量存储。
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。
这个方法构建一个Cypher查询并执行它来在Neo4j中创建一个新的向量索引。
create_new_keyword_index
([text_node_properties])这个方法构造一个Cypher查询并执行它来在Neo4j中创建一个新的全文索引。
delete
([ids])根据向量ID或其他条件进行删除。
from_documents
(documents, embedding[, ...])返回从文档和嵌入初始化的Neo4jVector。 需要以`url`、`username`和`password`的形式提供Neo4j凭据,还可以选择性地提供`database`参数。
from_embeddings
(text_embeddings, embedding)从原始文档和预生成的嵌入中构建Neo4jVector包装器。
from_existing_graph
(embedding, node_label, ...)从现有图形初始化并返回一个Neo4jVector实例。
from_existing_index
(embedding, index_name[, ...])获取现有的Neo4j向量索引实例。此方法将返回存储的实例,而不会插入任何新的嵌入。 需要Neo4j凭据,包括`url`、username`和`password,以及可选的`database`参数,还需要定义`index_name`。
from_existing_relationship_index
(embedding, ...)获取现有的Neo4j关系向量索引的实例。 该方法将返回存储的实例,而不会插入任何新的嵌入。 需要Neo4j凭据,包括`url`、`username`和`password`参数,以及可选的`database`参数,还有`index_name`定义。
from_texts
(texts, embedding[, metadatas, ...])返回从文本和嵌入初始化的Neo4jVector。 需要以`url`、`username`和`password`的形式提供Neo4j凭据,还可以选择性地提供`database`参数。
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。
query
(query, *[, params])这个方法将一个Cypher查询发送到已连接的Neo4j数据库,并将结果作为一个字典列表返回。
retrieve_existing_fts_index
([...])检查Neo4j数据库中是否存在全文索引
检查向量索引是否存在于Neo4j数据库中,并返回其嵌入维度。
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, params, filter])使用Neo4jVector运行相似性搜索。
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, ...])返回与查询最相似的文档。
similarity_search_with_score_by_vector
(embedding)在Neo4j数据库中使用给定向量执行相似性搜索,并返回前k个相似文档及其分数。
检查连接的Neo4j数据库版本是否支持向量索引。
- Parameters
embedding (Embeddings) –
search_type (SearchType) –
username (Optional[str]) –
password (Optional[str]) –
url (Optional[str]) –
keyword_index_name (Optional[str]) –
database (Optional[str]) –
index_name (str) –
node_label (str) –
embedding_node_property (str) –
text_node_property (str) –
distance_strategy (DistanceStrategy) –
logger (Optional[logging.Logger]) –
pre_delete_collection (bool) –
retrieval_query (str) –
relevance_score_fn (Optional[Callable[[float], float]]) –
index_type (IndexType) –
graph (Optional[Neo4jGraph]) –
- Return type
None
- __init__(embedding: Embeddings, *, search_type: SearchType = SearchType.VECTOR, username: Optional[str] = None, password: Optional[str] = None, url: Optional[str] = None, keyword_index_name: Optional[str] = 'keyword', database: Optional[str] = None, index_name: str = 'vector', node_label: str = 'Chunk', embedding_node_property: str = 'embedding', text_node_property: str = 'text', distance_strategy: DistanceStrategy = DistanceStrategy.COSINE, logger: Optional[Logger] = None, pre_delete_collection: bool = False, retrieval_query: str = '', relevance_score_fn: Optional[Callable[[float], float]] = None, index_type: IndexType = IndexType.NODE, graph: Optional[Neo4jGraph] = None) None [source]¶
- Parameters
embedding (Embeddings) –
search_type (SearchType) –
username (Optional[str]) –
password (Optional[str]) –
url (Optional[str]) –
keyword_index_name (Optional[str]) –
database (Optional[str]) –
index_name (str) –
node_label (str) –
embedding_node_property (str) –
text_node_property (str) –
distance_strategy (DistanceStrategy) –
logger (Optional[Logger]) –
pre_delete_collection (bool) –
retrieval_query (str) –
relevance_score_fn (Optional[Callable[[float], float]]) –
index_type (IndexType) –
graph (Optional[Neo4jGraph]) –
- 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。 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]¶
运行更多文本通过嵌入并添加到向量存储。
- 参数:
texts:要添加到向量存储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。 kwargs:向量存储特定参数
- 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]]) –
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, **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]]
- create_new_keyword_index(text_node_properties: List[str] = []) None [source]¶
这个方法构造一个Cypher查询并执行它来在Neo4j中创建一个新的全文索引。
- Parameters
text_node_properties (List[str]) –
- Return type
None
- 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, distance_strategy: DistanceStrategy = DistanceStrategy.COSINE, ids: Optional[List[str]] = None, **kwargs: Any) Neo4jVector [source]¶
返回从文档和嵌入初始化的Neo4jVector。 需要以`url`、`username`和`password`的形式提供Neo4j凭据,还可以选择性地提供`database`参数。
- Parameters
documents (List[Document]) –
embedding (Embeddings) –
distance_strategy (DistanceStrategy) –
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
- classmethod from_embeddings(text_embeddings: List[Tuple[str, List[float]]], embedding: Embeddings, metadatas: Optional[List[dict]] = None, distance_strategy: DistanceStrategy = DistanceStrategy.COSINE, ids: Optional[List[str]] = None, pre_delete_collection: bool = False, **kwargs: Any) Neo4jVector [source]¶
从原始文档和预生成的嵌入中构建Neo4jVector包装器。
返回从文档和嵌入初始化的Neo4jVector。需要Neo4j凭据,包括`url`、`username`和`password`参数,以及可选的`database`参数。
- 示例:
from langchain_community.vectorstores.neo4j_vector import Neo4jVector from langchain_community.embeddings import OpenAIEmbeddings embeddings = OpenAIEmbeddings() text_embeddings = embeddings.embed_documents(texts) text_embedding_pairs = list(zip(texts, text_embeddings)) vectorstore = Neo4jVector.from_embeddings( text_embedding_pairs, embeddings)
- Parameters
text_embeddings (List[Tuple[str, List[float]]]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
distance_strategy (DistanceStrategy) –
ids (Optional[List[str]]) –
pre_delete_collection (bool) –
kwargs (Any) –
- Return type
- classmethod from_existing_graph(embedding: Embeddings, node_label: str, embedding_node_property: str, text_node_properties: List[str], *, keyword_index_name: Optional[str] = 'keyword', index_name: str = 'vector', search_type: SearchType = SearchType.VECTOR, retrieval_query: str = '', **kwargs: Any) Neo4jVector [source]¶
从现有图形初始化并返回一个Neo4jVector实例。
该方法使用提供的参数和现有图形初始化一个Neo4jVector实例。它验证索引的存在,并在索引不存在时创建新的索引。
返回: Neo4jVector:使用提供的参数和现有图形初始化的Neo4jVector实例。
示例: >>> neo4j_vector = Neo4jVector.from_existing_graph( … embedding=my_embedding, … node_label=”Document”, … embedding_node_property=”embedding”, … text_node_properties=[“title”, “content”] … )
注意: 需要Neo4j凭据,形式为`url`、username`和`password,还可以作为额外关键字参数传递`database`参数。
- Parameters
embedding (Embeddings) –
node_label (str) –
embedding_node_property (str) –
text_node_properties (List[str]) –
keyword_index_name (Optional[str]) –
index_name (str) –
search_type (SearchType) –
retrieval_query (str) –
kwargs (Any) –
- Return type
- classmethod from_existing_index(embedding: Embeddings, index_name: str, search_type: SearchType = SearchType.VECTOR, keyword_index_name: Optional[str] = None, **kwargs: Any) Neo4jVector [source]¶
获取现有的Neo4j向量索引实例。此方法将返回存储的实例,而不会插入任何新的嵌入。 需要Neo4j凭据,包括`url`、username`和`password,以及可选的`database`参数,还需要定义`index_name`。
- Parameters
embedding (Embeddings) –
index_name (str) –
search_type (SearchType) –
keyword_index_name (Optional[str]) –
kwargs (Any) –
- Return type
- classmethod from_existing_relationship_index(embedding: Embeddings, index_name: str, search_type: SearchType = SearchType.VECTOR, **kwargs: Any) Neo4jVector [source]¶
获取现有的Neo4j关系向量索引的实例。 该方法将返回存储的实例,而不会插入任何新的嵌入。 需要Neo4j凭据,包括`url`、`username`和`password`参数,以及可选的`database`参数,还有`index_name`定义。
- Parameters
embedding (Embeddings) –
index_name (str) –
search_type (SearchType) –
kwargs (Any) –
- Return type
- classmethod from_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, distance_strategy: DistanceStrategy = DistanceStrategy.COSINE, ids: Optional[List[str]] = None, **kwargs: Any) Neo4jVector [source]¶
返回从文本和嵌入初始化的Neo4jVector。 需要以`url`、`username`和`password`的形式提供Neo4j凭据,还可以选择性地提供`database`参数。
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
distance_strategy (DistanceStrategy) –
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
- max_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]
- 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]
- query(query: str, *, params: Optional[dict] = None) List[Dict[str, Any]] [source]¶
这个方法将一个Cypher查询发送到已连接的Neo4j数据库,并将结果作为一个字典列表返回。
- 参数:
query (str): 要执行的Cypher查询。 params (dict, optional): 查询参数的字典。默认为{}。
- 返回:
List[Dict[str, Any]]: 包含查询结果的字典列表。
- Parameters
query (str) –
params (Optional[dict]) –
- Return type
List[Dict[str, Any]]
- retrieve_existing_fts_index(text_node_properties: List[str] = []) Optional[str] [source]¶
检查Neo4j数据库中是否存在全文索引
该方法查询具有指定名称的现有fts索引的Neo4j数据库。
- 返回:
(元组):关键字索引信息
- Parameters
text_node_properties (List[str]) –
- Return type
Optional[str]
- retrieve_existing_index() Tuple[Optional[int], Optional[str]] [source]¶
检查向量索引是否存在于Neo4j数据库中,并返回其嵌入维度。
此方法查询Neo4j数据库中的现有索引,并尝试检索具有指定名称的向量索引的维度。如果索引存在,则返回其维度。如果索引不存在,则返回`None`。
- 返回:
int或None:如果找到现有索引,则返回其嵌入维度。
- Return type
Tuple[Optional[int], Optional[str]]
- 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, params: Dict[str, Any] = {}, filter: Optional[Dict[str, Any]] = None, **kwargs: Any) List[Document] [source]¶
使用Neo4jVector运行相似性搜索。
- 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。
- 返回:
与查询最相似的文档列表。
- Parameters
query (str) –
k (int) –
params (Dict[str, Any]) –
filter (Optional[Dict[str, Any]]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector(embedding: List[float], k: int = 4, filter: Optional[Dict[str, Any]] = 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) –
filter (Optional[Dict[str, Any]]) –
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, params: Dict[str, Any] = {}, filter: Optional[Dict[str, Any]] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与查询最相似的文档。
- 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。
- 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) –
params (Dict[str, Any]) –
filter (Optional[Dict[str, Any]]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- similarity_search_with_score_by_vector(embedding: List[float], k: int = 4, filter: Optional[Dict[str, Any]] = None, params: Dict[str, Any] = {}, **kwargs: Any) List[Tuple[Document, float]] [source]¶
在Neo4j数据库中使用给定向量执行相似性搜索,并返回前k个相似文档及其分数。
该方法使用Cypher查询来查找与给定嵌入最相似的前k个文档。相似性是使用Neo4j数据库中的向量索引来衡量的。结果以元组列表的形式返回,每个元组包含一个Document对象和其相似性分数。
- 参数:
embedding (List[float]): 要进行比较的嵌入向量。 k (int, optional): 要检索的前k个相似文档的数量。
- 返回:
List[Tuple[Document, float]]: 一个元组列表,每个元组包含一个Document对象和其相似性分数。
- Parameters
embedding (List[float]) –
k (int) –
filter (Optional[Dict[str, Any]]) –
params (Dict[str, Any]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]