langchain_community.vectorstores.opensearch_vector_search
.OpenSearchVectorSearch¶
- class langchain_community.vectorstores.opensearch_vector_search.OpenSearchVectorSearch(opensearch_url: str, index_name: str, embedding_function: Embeddings, **kwargs: Any)[source]¶
Amazon OpenSearch Vector Engine 向量存储。
- 示例:
from langchain_community.vectorstores import OpenSearchVectorSearch opensearch_vector_search = OpenSearchVectorSearch( "http://localhost:9200", "embeddings", embedding_function )
使用必要的组件进行初始化。
Attributes
embeddings
如果可用,访问查询嵌入对象。
Methods
__init__
(opensearch_url, index_name, ...)使用必要的组件进行初始化。
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, ids, bulk_size])异步地通过嵌入运行更多文本,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, bulk_size])运行更多的文本通过嵌入并添加到向量存储。
adelete
([ids])按照向量ID或其他条件异步删除。
afrom_documents
(documents, embedding, **kwargs)返回从文档和嵌入初始化的VectorStore。
afrom_embeddings
(embeddings, texts, embedding)异步构建OpenSearchVectorSearch包装器,从预向量化的嵌入中。
afrom_texts
(texts, embedding[, metadatas, ...])异步构建OpenSearchVectorSearch包装器,从原始文本中获取。
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。
create_index
(dimension[, index_name])使用给定的参数创建一个新的索引。
delete
([ids, refresh_indices])从Opensearch索引中删除文档。
delete_index
([index_name])从向量存储中删除给定索引。
from_documents
(documents, embedding, **kwargs)返回从文档和嵌入初始化的VectorStore。
from_embeddings
(embeddings, texts, embedding)从预向量化的嵌入构建OpenSearchVectorSearch包装器。
from_texts
(texts, embedding[, metadatas, ...])从原始文本构建OpenSearchVectorSearch包装器。
index_exists
([index_name])如果给定的索引存在于向量存储中,则返回True,否则返回False。
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, score_threshold])返回与查询最相似的文档。
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及其分数。
similarity_search_with_score_by_vector
(embedding)返回与嵌入向量最相似的文档及其分数。
- Parameters
opensearch_url (str) –
index_name (str) –
embedding_function (Embeddings) –
kwargs (Any) –
- __init__(opensearch_url: str, index_name: str, embedding_function: Embeddings, **kwargs: Any)[source]¶
使用必要的组件进行初始化。
- Parameters
opensearch_url (str) –
index_name (str) –
embedding_function (Embeddings) –
kwargs (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, ids: Optional[List[str]] = None, bulk_size: int = 500, **kwargs: Any) List[str] [source]¶
异步地通过嵌入运行更多文本,并添加到向量存储中。
- Parameters
texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
bulk_size (int) –
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, bulk_size: int = 500, **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:与文本相关联的元数据的可选列表。 ids:与文本关联的可选id列表。 bulk_size:批量API请求计数;默认值:500
- 返回:
将文本添加到向量存储中的id列表。
- 可选参数:
vector_field:存储文档字段嵌入的字段。默认为”vector_field”。
text_field:存储文档文本的字段。默认为”text”。
- Parameters
text_embeddings (Iterable[Tuple[str, List[float]]]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
bulk_size (int) –
kwargs (Any) –
- Return type
List[str]
- add_texts(texts: Iterable[str], metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, bulk_size: int = 500, **kwargs: Any) List[str] [source]¶
运行更多的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。 ids:要与文本关联的可选id列表。 bulk_size:批量API请求计数;默认值:500
- 返回:
将文本添加到向量存储后的id列表。
- 可选参数:
vector_field:存储文档字段嵌入的字段。默认为”vector_field”。
text_field:存储文档文本的字段。默认为”text”。
- Parameters
texts (Iterable[str]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
bulk_size (int) –
kwargs (Any) –
- Return type
List[str]
- async adelete(ids: Optional[List[str]] = None, **kwargs: Any) Optional[bool] [source]¶
按照向量ID或其他条件异步删除。
- 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_embeddings(embeddings: List[List[float]], texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, bulk_size: int = 500, ids: Optional[List[str]] = None, **kwargs: Any) OpenSearchVectorSearch [source]¶
异步构建OpenSearchVectorSearch包装器,从预向量化的嵌入中。
- 示例:
from langchain_community.vectorstores import OpenSearchVectorSearch from langchain_community.embeddings import OpenAIEmbeddings embedder = OpenAIEmbeddings() embeddings = await embedder.aembed_documents(["foo", "bar"]) opensearch_vector_search = await OpenSearchVectorSearch.afrom_embeddings( embeddings, texts, embedder, opensearch_url="http://localhost:9200" )
OpenSearch默认支持由nmslib、faiss和lucene引擎提供支持的近似搜索,推荐用于大型数据集。还支持通过脚本评分和Painless脚本进行蛮力搜索。
- 可选参数:
vector_field: 存储嵌入的文档字段。默认为”vector_field”。
text_field: 存储文档文本的文档字段。默认为”text”。
- 用于近似搜索的可选关键字参数:
engine: “nmslib”、”faiss”、”lucene”;默认值:”nmslib”
space_type: “l2”、”l1”、”cosinesimil”、”linf”、”innerproduct”;默认值:”l2”
ef_search: 在k-NN搜索期间使用的动态列表的大小。较高的值会导致更准确但更慢的搜索;默认值:512
ef_construction: 在k-NN图创建期间使用的动态列表的大小。较高的值会导致更准确的图形但更慢的索引速度;默认值:512
m: 为每个新元素创建的双向链接数。对内存消耗有很大影响。介于2和100之间;默认值:16
- 用于脚本评分或Painless脚本的关键字参数:
is_appx_search: False
- Parameters
embeddings (List[List[float]]) –
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
bulk_size (int) –
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
- async classmethod afrom_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, bulk_size: int = 500, ids: Optional[List[str]] = None, **kwargs: Any) OpenSearchVectorSearch [source]¶
异步构建OpenSearchVectorSearch包装器,从原始文本中获取。
- 示例:
from langchain_community.vectorstores import OpenSearchVectorSearch from langchain_community.embeddings import OpenAIEmbeddings embeddings = OpenAIEmbeddings() opensearch_vector_search = await OpenSearchVectorSearch.afrom_texts( texts, embeddings, opensearch_url="http://localhost:9200" )
默认情况下,OpenSearch支持由nmslib、faiss和lucene引擎支持的近似搜索,推荐用于大型数据集。还支持通过脚本评分和Painless脚本进行暴力搜索。
- 可选参数:
vector_field: 存储嵌入的文档字段。默认为”vector_field”。
text_field: 存储文档文本的文档字段。默认为”text”。
- 用于近似搜索的可选关键字参数:
engine: “nmslib”、”faiss”、”lucene”;默认值:”nmslib”
space_type: “l2”、”l1”、”cosinesimil”、”linf”、”innerproduct”;默认值:”l2”
ef_search: 在k-NN搜索期间使用的动态列表的大小。较高的值会导致更准确但更慢的搜索;默认值:512
ef_construction: 在k-NN图创建期间使用的动态列表的大小。较高的值会导致更准确的图形但更慢的索引速度;默认值:512
m: 为每个新元素创建的双向链接数。对内存消耗有很大影响。介于2和100之间;默认值:16
- 用于脚本评分或Painless脚本的关键字参数:
is_appx_search: False
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
bulk_size (int) –
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
- 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_index(dimension: int, index_name: Optional[str] = '22ad5f6e4f6b4aaeb2087cb0f2137d61', **kwargs: Any) Optional[str] [source]¶
使用给定的参数创建一个新的索引。
- Parameters
dimension (int) –
index_name (Optional[str]) –
kwargs (Any) –
- Return type
Optional[str]
- delete(ids: Optional[List[str]] = None, refresh_indices: Optional[bool] = True, **kwargs: Any) Optional[bool] [source]¶
从Opensearch索引中删除文档。
- 参数:
ids:要删除的文档的id列表。 refresh_indices: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]
- delete_index(index_name: Optional[str] = None) Optional[bool] [source]¶
从向量存储中删除给定索引。
- Parameters
index_name (Optional[str]) –
- Return type
Optional[bool]
- classmethod from_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
- classmethod from_embeddings(embeddings: List[List[float]], texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, bulk_size: int = 500, ids: Optional[List[str]] = None, **kwargs: Any) OpenSearchVectorSearch [source]¶
从预向量化的嵌入构建OpenSearchVectorSearch包装器。
- 示例:
from langchain_community.vectorstores import OpenSearchVectorSearch from langchain_community.embeddings import OpenAIEmbeddings embedder = OpenAIEmbeddings() embeddings = embedder.embed_documents(["foo", "bar"]) opensearch_vector_search = OpenSearchVectorSearch.from_embeddings( embeddings, texts, embedder, opensearch_url="http://localhost:9200" )
默认情况下,OpenSearch支持由nmslib、faiss和lucene引擎支持的近似搜索,推荐用于大型数据集。还支持通过脚本评分和Painless脚本进行蛮力搜索。
- 可选参数:
vector_field: 存储嵌入的文档字段。默认为”vector_field”。
text_field: 存储文档文本的文档字段。默认为”text”。
- 用于近似搜索的可选关键字参数:
engine: “nmslib”、”faiss”、”lucene”;默认值:”nmslib”
space_type: “l2”、”l1”、”cosinesimil”、”linf”、”innerproduct”;默认值:”l2”
ef_search: k-NN搜索期间使用的动态列表的大小。较高的值会导致更准确但更慢的搜索;默认值:512
ef_construction: k-NN图创建期间使用的动态列表的大小。较高的值会导致更准确的图形但更慢的索引速度;默认值:512
m: 为每个新元素创建的双向链接数量。对内存消耗有很大影响。介于2和100之间;默认值:16
- 用于脚本评分或Painless脚本的关键字参数:
is_appx_search: False
- Parameters
embeddings (List[List[float]]) –
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
bulk_size (int) –
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
- classmethod from_texts(texts: List[str], embedding: Embeddings, metadatas: Optional[List[dict]] = None, bulk_size: int = 500, ids: Optional[List[str]] = None, **kwargs: Any) OpenSearchVectorSearch [source]¶
从原始文本构建OpenSearchVectorSearch包装器。
- 示例:
from langchain_community.vectorstores import OpenSearchVectorSearch from langchain_community.embeddings import OpenAIEmbeddings embeddings = OpenAIEmbeddings() opensearch_vector_search = OpenSearchVectorSearch.from_texts( texts, embeddings, opensearch_url="http://localhost:9200" )
默认情况下,OpenSearch支持由nmslib、faiss和lucene引擎提供支持的近似搜索,推荐用于大型数据集。还支持通过脚本评分和Painless脚本进行蛮力搜索。
- 可选参数:
vector_field: 存储文档嵌入的字段。默认为”vector_field”。
text_field: 存储文档文本的字段。默认为”text”。
- 用于近似搜索的可选关键字参数:
engine: “nmslib”、”faiss”、”lucene”;默认值:”nmslib”
space_type: “l2”、”l1”、”cosinesimil”、”linf”、”innerproduct”;默认值:”l2”
ef_search: 在k-NN搜索期间使用的动态列表的大小。较高的值会导致更准确但更慢的搜索;默认值:512
ef_construction: 在k-NN图创建期间使用的动态列表的大小。较高的值会导致更准确的图形但更慢的索引速度;默认值:512
m: 为每个新元素创建的双向链接数。对内存消耗有很大影响。介于2和100之间;默认值:16
- 用于脚本评分或Painless脚本的关键字参数:
is_appx_search: False
- Parameters
texts (List[str]) –
embedding (Embeddings) –
metadatas (Optional[List[dict]]) –
bulk_size (int) –
ids (Optional[List[str]]) –
kwargs (Any) –
- Return type
- index_exists(index_name: Optional[str] = None) Optional[bool] [source]¶
如果给定的索引存在于向量存储中,则返回True,否则返回False。
- Parameters
index_name (Optional[str]) –
- Return type
Optional[bool]
- max_marginal_relevance_search(query: str, k: int = 4, fetch_k: int = 20, lambda_mult: float = 0.5, **kwargs: Any) list[langchain_core.documents.base.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: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。
默认为20。
- lambda_mult:0到1之间的数字,确定结果之间多样性的程度,
其中0对应于最大多样性,1对应于最小多样性。 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
- 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, score_threshold: Optional[float] = 0.0, **kwargs: Any) List[Document] [source]¶
返回与查询最相似的文档。
默认情况下,支持近似搜索。 还支持脚本评分和无痛脚本编写。
- 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。 score_threshold:指定一个分数阈值,仅返回分数 高于阈值的文档。默认为0.0。
- 返回:
与查询最相似的文档列表。
- 可选参数:
vector_field:存储文档字段嵌入的字段。默认为 “vector_field”。
text_field:存储文档文本的字段。默认为 “text”。
metadata_field:存储元数据的文档字段。默认为 “metadata”。 可以设置为特殊值”*”以包含整个文档。
- 用于近似搜索的可选参数:
search_type:”approximate_search”;默认值:”approximate_search”
boolean_filter:布尔过滤器是由包含k-NN查询和过滤器的布尔 查询组成的后过滤器。
subquery_clause:对knn向量字段的查询子句;默认值:”must”
lucene_filter:Lucene算法决定是执行精确 具有预过滤的k-NN搜索,还是具有修改后的近似搜索 后过滤。 (已弃用,请使用`efficient_filter`)
efficient_filter:Lucene引擎或Faiss引擎决定是 执行具有预过滤的精确k-NN搜索,还是执行近似搜索 具有修改后过滤。
- 用于脚本评分搜索的可选参数:
search_type:”script_scoring”;默认值:”approximate_search”
space_type:”l2”、”l1”、”linf”、”cosinesimil”、”innerproduct”、 “hammingbit”;默认值:”l2”
pre_filter:在识别最近邻居之前对文档进行预过滤的script_score查询;默认值:{“match_all”: {}}
- 用于无痛脚本编写搜索的可选参数:
search_type:”painless_scripting”;默认值:”approximate_search”
space_type:”l2Squared”、”l1Norm”、”cosineSimilarity”;默认值:”l2Squared”
pre_filter:在识别最近邻居之前对文档进行预过滤的script_score查询;默认值:{“match_all”: {}}
- Parameters
query (str) –
k (int) –
score_threshold (Optional[float]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector(embedding: List[float], k: int = 4, score_threshold: Optional[float] = 0.0, **kwargs: Any) List[Document] [source]¶
返回与嵌入向量最相似的文档。
- Parameters
embedding (List[float]) –
k (int) –
score_threshold (Optional[float]) –
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, score_threshold: Optional[float] = 0.0, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与查询最相似的文档及其分数。
默认情况下,支持近似搜索。 还支持脚本评分和无痛脚本。
- 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。 score_threshold:指定一个分数阈值,仅返回高于该阈值的文档。默认为0.0。
- 返回:
与查询最相似的文档及其分数的列表。
- 可选参数:
与`similarity_search`相同。
- Parameters
query (str) –
k (int) –
score_threshold (Optional[float]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- similarity_search_with_score_by_vector(embedding: List[float], k: int = 4, score_threshold: Optional[float] = 0.0, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与嵌入向量最相似的文档及其分数。
默认情况下,支持近似搜索。 还支持脚本评分和无痛脚本。
- 参数:
embedding:要查找类似文档的嵌入向量。 k:要返回的文档数量。默认为4。 score_threshold:指定一个分数阈值,仅返回分数 高于阈值的文档。默认为0.0。
- 返回:
与查询最相似的文档及其分数的列表。
- 可选参数:
与`similarity_search`相同。
- Parameters
embedding (List[float]) –
k (int) –
score_threshold (Optional[float]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]