langchain_community.vectorstores.vdms
.VDMS¶
- class langchain_community.vectorstores.vdms.VDMS(client: vdms.vdms, *, embedding: Optional[Embeddings] = None, collection_name: str = 'langchain', distance_strategy: DISTANCE_METRICS = 'L2', engine: ENGINES = 'FaissFlat', relevance_score_fn: Optional[Callable[[float], float]] = None)[source]¶
Intel Lab的VDMS用于向量存储工作负载。
要使用,您应该同时具备以下条件: - 安装了``vdms`` python包 - 与部署的VDMS服务器关联的主机(str)和端口(int)
访问 https://github.com/IntelLabs/vdms/wiki 获取更多信息。
强烈建议对数据进行规范化。
- 参数:
client: 用于连接到VDMS服务器的VDMS客户端 collection_name: 数据集合的名称 [默认值:langchain] distance_strategy: 用于计算距离的方法。VDMS支持
“L2”(欧几里德距离)或”IP”(内积) [默认值:L2]
- engine: 用于索引和计算距离的基础实现。
VDMS支持TileDBDense、TileDBSparse、FaissFlat、FaissIVFFlat和Flinng [默认值:FaissFlat]
embedding: 实现`langchain_core.embeddings.Embeddings`接口的任何嵌入函数。 relevance_score_fn: 用于获取相关性分数的函数
- 示例:
from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.vectorstores.vdms import VDMS, VDMS_Client vectorstore = VDMS( client=VDMS_Client("localhost", 55555), embedding=HuggingFaceEmbeddings(), collection_name="langchain-demo", distance_strategy="L2", engine="FaissFlat", )
Attributes
embeddings
如果可用,访问查询嵌入对象。
Methods
__init__
(client, *[, 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_images
(uris[, metadatas, ids, ...])运行更多的图像通过嵌入并添加到向量存储。
add_texts
(texts[, metadatas, ids, batch_size])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。
count
(collection_name)decode_image
(base64_image)delete
([ids, collection_name, constraints])根据ID删除。这些是向量存储中的ID。
encode_image
(image_path)from_documents
(documents[, embedding, ids, ...])从文档列表创建一个VDMS向量存储。
from_texts
(texts[, embedding, metadatas, ...])从原始文档创建一个VDMS向量存储。
get
(collection_name[, constraints, limit, ...])获取集合。 从数据存储中获取嵌入及其关联数据。 如果未提供约束条件,则返回所有嵌入直到限制为止。
get_descriptor_response
(command_str, setname)get_k_candidates
(setname, fetch_k[, ...])max_marginal_relevance_search
(query[, k, ...])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。
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。
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。
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。
query_collection_embeddings
([...])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])运行使用VDMS进行相似性搜索。
similarity_search_by_vector
(embedding[, k, ...])返回与嵌入向量最相似的文档。 参数: embedding(List[float]):要查找相似文档的嵌入。 k(int):要返回的文档数量。默认为3。 fetch_k(int):用于knn的要获取的候选数(>= k)。 filter(Optional[Dict[str, str]]):按元数据过滤。默认为None。 返回: 与查询向量最相似的文档列表。
返回文档和相关性得分在[0, 1]范围内。
similarity_search_with_score
(query[, k, ...])运行带有距离的VDMS相似性搜索。
similarity_search_with_score_by_vector
(embedding)返回与嵌入向量和相似度分数最相似的文档。
update_document
(collection_name, ...)更新集合中的文档。
update_documents
(collection_name, ids, documents)更新集合中的文档。
- Parameters
client (vdms.vdms) –
embedding (Optional[Embeddings]) –
collection_name (str) –
distance_strategy (DISTANCE_METRICS) –
engine (ENGINES) –
relevance_score_fn (Optional[Callable[[float], float]]) –
- Return type
None
- __init__(client: vdms.vdms, *, embedding: Optional[Embeddings] = None, collection_name: str = 'langchain', distance_strategy: DISTANCE_METRICS = 'L2', engine: ENGINES = 'FaissFlat', relevance_score_fn: Optional[Callable[[float], float]] = None) None [source]¶
- Parameters
client (vdms.vdms) –
embedding (Optional[Embeddings]) –
collection_name (str) –
distance_strategy (DISTANCE_METRICS) –
engine (ENGINES) –
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_images(uris: List[str], metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, batch_size: int = 32, add_path: Optional[bool] = True, **kwargs: Any) List[str] [source]¶
运行更多的图像通过嵌入并添加到向量存储。
图像被添加为嵌入(AddDescriptor),而不是在VDMS中作为单独的实体(AddImage)添加,以利用相似性搜索功能。
- 参数:
uris:要添加到向量存储的图像路径列表。 metadatas:与文本相关的元数据的可选列表。 ids:唯一ID的可选列表。 batch_size(int):发送到服务器的并发请求数量。 add_path:将图像路径作为元数据添加的布尔值。
- 返回:
将图像添加到向量存储中的ID列表。
- Parameters
uris (List[str]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
batch_size (int) –
add_path (Optional[bool]) –
kwargs (Any) –
- Return type
List[str]
- add_texts(texts: Iterable[str], metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, batch_size: int = 32, **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列表。 metadatas:与文本相关的元数据的可选列表。 ids:唯一ID的可选列表。 batch_size(int):发送到服务器的并发请求数量。
- 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]]) –
batch_size (int) –
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]]
- delete(ids: Optional[List[str]] = None, collection_name: Optional[str] = None, constraints: Optional[Dict] = None, **kwargs: Any) bool [source]¶
根据ID删除。这些是向量存储中的ID。
- 参数:
ids:要删除的ID列表。
- 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]]) –
collection_name (Optional[str]) –
constraints (Optional[Dict]) –
kwargs (Any) –
- Return type
bool
- classmethod from_documents(documents: List[Document], embedding: Optional[Embeddings] = None, ids: Optional[List[str]] = None, batch_size: int = 32, collection_name: str = 'langchain', **kwargs: Any) VDMS [source]¶
从文档列表创建一个VDMS向量存储。
- 参数:
collection_name (str): 要创建的集合的名称。 documents (List[Document]): 要添加到向量存储的文档列表。 embedding (Embeddings): 嵌入函数。默认为None。 ids (Optional[List[str]]): 文档ID列表。默认为None。 batch_size (int): 发送到服务器的并发请求数量。
- 返回:
VDMS: VDMS向量存储。
- Parameters
documents (List[Document]) –
embedding (Optional[Embeddings]) –
ids (Optional[List[str]]) –
batch_size (int) –
collection_name (str) –
kwargs (Any) –
- Return type
- classmethod from_texts(texts: List[str], embedding: Optional[Embeddings] = None, metadatas: Optional[List[dict]] = None, ids: Optional[List[str]] = None, batch_size: int = 32, collection_name: str = 'langchain', **kwargs: Any) VDMS [source]¶
从原始文档创建一个VDMS向量存储。
- 参数:
texts (List[str]): 要添加到集合中的文本列表。 embedding (Embeddings): 嵌入函数。默认为None。 metadatas (Optional[List[dict]]): 元数据列表。默认为None。 ids (Optional[List[str]]): 文档ID列表。默认为None。 batch_size (int): 发送到服务器的并发请求数量。 collection_name (str): 要创建的集合的名称。
- 返回:
VDMS: VDMS向量存储。
- Parameters
texts (List[str]) –
embedding (Optional[Embeddings]) –
metadatas (Optional[List[dict]]) –
ids (Optional[List[str]]) –
batch_size (int) –
collection_name (str) –
kwargs (Any) –
- Return type
- get(collection_name: str, constraints: Optional[Dict] = None, limit: Optional[int] = None, include: List[str] = ['metadata']) Tuple[Any, Any] [source]¶
获取集合。 从数据存储中获取嵌入及其关联数据。 如果未提供约束条件,则返回所有嵌入直到限制为止。
- 参数:
- 约束条件:用于筛选结果的字典。
例如 {“color” : [“==”, “red”], “price”: [“>”, 4.00]}。可选。
限制:要返回的文档数量。可选。 包含:要包含在结果中的内容列表。
可包含 “embeddings”, “metadatas”, “documents”。 ID始终包含在内。 默认为 [“metadatas”, “documents”]。可选。
- Parameters
collection_name (str) –
constraints (Optional[Dict]) –
limit (Optional[int]) –
include (List[str]) –
- Return type
Tuple[Any, Any]
- get_descriptor_response(command_str: str, setname: str, k_neighbors: int = 3, fetch_k: int = 15, constraints: Optional[dict] = None, results: Optional[Dict[str, Any]] = None, query_embedding: Optional[List[float]] = None, normalize_distance: bool = False) Tuple[List[Dict[str, Any]], List] [source]¶
- Parameters
command_str (str) –
setname (str) –
k_neighbors (int) –
fetch_k (int) –
constraints (Optional[dict]) –
results (Optional[Dict[str, Any]]) –
query_embedding (Optional[List[float]]) –
normalize_distance (bool) –
- Return type
Tuple[List[Dict[str, Any]], List]
- get_k_candidates(setname: str, fetch_k: Optional[int], results: Optional[Dict[str, Any]] = None, all_blobs: Optional[List] = None, normalize: Optional[bool] = False) Tuple[List[Dict[str, Any]], List, float] [source]¶
- Parameters
setname (str) –
fetch_k (Optional[int]) –
results (Optional[Dict[str, Any]]) –
all_blobs (Optional[List]) –
normalize (Optional[bool]) –
- Return type
Tuple[List[Dict[str, Any]], List, float]
- max_marginal_relevance_search(query: str, k: int = 3, fetch_k: int = 15, lambda_mult: float = 0.5, filter: Optional[Dict[str, List]] = 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: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: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(可选[Dict[str,str]]):按元数据筛选。默认为None。
- 返回:
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, List]]) –
kwargs (Any) –
- Return type
List[Document]
- max_marginal_relevance_search_by_vector(embedding: List[float], k: int = 3, fetch_k: int = 15, lambda_mult: float = 0.5, filter: Optional[Dict[str, List]] = 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:
embedding: 查找与之相似文档的嵌入。 k: 要返回的文档数量。默认为4。 fetch_k: 要获取的文档数量,以传递给MMR算法。 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]]): 按元数据过滤。默认为None。
- 返回:
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, List]]) –
kwargs (Any) –
- Return type
List[Document]
- max_marginal_relevance_search_with_score(query: str, k: int = 3, fetch_k: int = 15, lambda_mult: float = 0.5, filter: Optional[Dict[str, List]] = None, **kwargs: Any) List[Tuple[Document, float]] [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。 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对应于最大多样性,1对应于最小多样性。 默认为0.5。
filter(可选[Dict[str,str]]):按元数据筛选。默认为None。
- 返回:
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, List]]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- max_marginal_relevance_search_with_score_by_vector(embedding: List[float], k: int = 3, fetch_k: int = 15, lambda_mult: float = 0.5, filter: Optional[Dict[str, List]] = None, **kwargs: Any) List[Tuple[Document, float]] [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:
embedding: 查找与之相似文档的嵌入。 k: 要返回的文档数量。默认为4。 fetch_k: 要获取的文档数量,以传递给MMR算法。 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]]): 按元数据过滤。默认为None。
- 返回:
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, List]]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- query_collection_embeddings(query_embeddings: Optional[List[List[float]]] = None, collection_name: Optional[str] = None, n_results: int = 3, fetch_k: int = 15, filter: Union[None, Dict[str, Any]] = None, results: Union[None, Dict[str, Any]] = None, normalize_distance: bool = False, **kwargs: Any) List[Tuple[Dict[str, Any], List]] [source]¶
- Parameters
query_embeddings (Optional[List[List[float]]]) –
collection_name (Optional[str]) –
n_results (int) –
fetch_k (int) –
filter (Union[None, Dict[str, Any]]) –
results (Union[None, Dict[str, Any]]) –
normalize_distance (bool) –
kwargs (Any) –
- Return type
List[Tuple[Dict[str, Any], List]]
- 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 = 3, fetch_k: int = 15, filter: Optional[Dict[str, List]] = None, **kwargs: Any) List[Document] [source]¶
运行使用VDMS进行相似性搜索。
- 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3。 fetch_k (int): 要获取的knn候选数(>= k)。 filter (Optional[Dict[str, str]]): 按元数据筛选。默认为None。
- 返回:
List[Document]: 与查询文本最相似的文档列表。
- Parameters
query (str) –
k (int) –
fetch_k (int) –
filter (Optional[Dict[str, List]]) –
kwargs (Any) –
- Return type
List[Document]
- similarity_search_by_vector(embedding: List[float], k: int = 3, fetch_k: int = 15, filter: Optional[Dict[str, List]] = None, **kwargs: Any) List[Document] [source]¶
返回与嵌入向量最相似的文档。 参数:
embedding(List[float]):要查找相似文档的嵌入。 k(int):要返回的文档数量。默认为3。 fetch_k(int):用于knn的要获取的候选数(>= k)。 filter(Optional[Dict[str, str]]):按元数据过滤。默认为None。
- 返回:
与查询向量最相似的文档列表。
- Parameters
embedding (List[float]) –
k (int) –
fetch_k (int) –
filter (Optional[Dict[str, List]]) –
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 = 3, fetch_k: int = 15, filter: Optional[Dict[str, List]] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
运行带有距离的VDMS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3。 fetch_k(int):要获取的knn候选数(>= k)。 filter(Optional[Dict[str, str]]):按元数据过滤。默认为None。
- 返回:
List[Tuple[Document, float]]:与查询文本最相似的文档列表,以及每个文档的余弦距离浮点数。 较低的分数表示更相似。
- Parameters
query (str) –
k (int) –
fetch_k (int) –
filter (Optional[Dict[str, List]]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]
- similarity_search_with_score_by_vector(embedding: List[float], k: int = 3, fetch_k: int = 15, filter: Optional[Dict[str, List]] = None, **kwargs: Any) List[Tuple[Document, float]] [source]¶
返回与嵌入向量和相似度分数最相似的文档。
- 参数:
embedding (List[float]): 要查找相似文档的嵌入向量。 k (int): 要返回的文档数量。默认为3。 fetch_k (int): 要获取的knn候选数(>= k)。 filter (Optional[Dict[str, str]]): 按元数据过滤。默认为None。
- 返回:
List[Tuple[Document, float]]: 与查询文本最相似的文档列表,以及每个文档的余弦距离浮点数。 较低的分数表示更相似。
- Parameters
embedding (List[float]) –
k (int) –
fetch_k (int) –
filter (Optional[Dict[str, List]]) –
kwargs (Any) –
- Return type
List[Tuple[Document, float]]