Model2vec嵌入

class langchain_community.embeddings.model2vec.Model2vecEmbeddings(model: str)

Model2Vec 嵌入模型。

首先安装model2vec，运行‘pip install -U model2vec’。 model2vec的github仓库是：MinishLab/model2vec

示例

from langchain_community.embeddings import Model2vecEmbeddings

embedding = Model2vecEmbeddings("minishlab/potion-base-8M")
embedding.embed_documents([
    "It's dangerous to go alone!",
    "It's a secret to everybody.",
])
embedding.embed_query(
    "Take this with you."
)

初始化嵌入。

Parameters:

model (str) – 模型名称。

方法

__init__(model)	初始化嵌入。
aembed_documents(texts)	异步嵌入搜索文档。
aembed_query(text)	异步嵌入查询文本。
embed_documents(texts)	使用 model2vec 嵌入模型嵌入文档。
embed_query(text)	使用 model2vec 嵌入模型嵌入查询。

__init__(model: str)

初始化嵌入。

Parameters:

model (str) – 模型名称。

async aembed_documents(texts: list[str]) → list[list[float]]

异步嵌入搜索文档。

Parameters:

文本 (列表[字符串]) – 要嵌入的文本列表。

Returns:

嵌入列表。

Return type:

列表[列表[浮点数]]

async aembed_query(text: str) → list[float]

异步嵌入查询文本。

Parameters:

文本 (str) – 要嵌入的文本。

Returns:

嵌入。

Return type:

列表[浮点数]

embed_documents(texts: List[str]) → List[List[float]]

使用model2vec嵌入模型嵌入文档。

Parameters:

文本 (列表[字符串]) – 要嵌入的文本列表。

Returns:

嵌入列表，每个文本对应一个。

Return type:

列表[列表[float]]

embed_query(text: str) → List[float]

使用model2vec嵌入模型嵌入查询。

Parameters:

文本 (str) – 要嵌入的文本。

Returns:

文本的嵌入。

Return type:

列表[float]