嵌入模型

想象一下，能够捕捉任何文本的精髓——一条推文、一份文档或一本书——在一个单一的、紧凑的表示中。 这就是嵌入模型的力量，它位于许多检索系统的核心。 嵌入模型将人类语言转换为机器能够理解和快速准确比较的格式。 这些模型将文本作为输入，并生成一个固定长度的数字数组，这是文本语义意义的数字指纹。 嵌入允许搜索系统不仅基于关键词匹配，还基于语义理解来找到相关文档。

关键概念​

(1) 将文本嵌入为向量: 嵌入将文本转换为数值向量表示。

(2) 测量相似度: 嵌入向量可以使用简单的数学运算进行比较。

嵌入​

历史背景​

嵌入模型的景观在过去几年中发生了显著变化。2018年是一个关键时刻，当时谷歌推出了BERT（双向编码器表示来自变换器）。BERT应用变换器模型将文本嵌入为简单的向量表示，这在各种自然语言处理任务中带来了前所未有的性能。然而，BERT并未优化以高效生成句子嵌入。这一限制促使了SBERT（句子-BERT）的创建，它调整了BERT架构以生成语义丰富的句子嵌入，通过余弦相似度等相似性度量轻松比较，显著减少了查找相似句子等任务的计算开销。如今，嵌入模型生态系统多样化，众多提供商提供自己的实现。为了应对这种多样性，研究人员和实践者通常转向基准测试，如大规模文本嵌入基准（MTEB）这里，以进行客观比较。

接口​

LangChain 提供了一个通用接口来处理它们，为常见操作提供标准方法。 这个通用接口通过两个核心方法简化了与各种嵌入提供商的交互：

• embed_documents: 用于嵌入多个文本（文档）
• embed_query: 用于嵌入单个文本（查询）

这种区别很重要，因为一些提供商对文档（需要搜索的内容）和查询（搜索输入本身）采用了不同的嵌入策略。 为了说明这一点，这里有一个使用LangChain的.embed_documents方法来嵌入字符串列表的实际示例：

from langchain_openai import OpenAIEmbeddings
embeddings_model = OpenAIEmbeddings()
embeddings = embeddings_model.embed_documents(
    [
        "Hi there!",
        "Oh, hello!",
        "What's your name?",
        "My friends call me World",
        "Hello World!"
    ]
)
len(embeddings), len(embeddings[0])
(5, 1536)

为了方便，你也可以使用embed_query方法来嵌入单个文本：

query_embedding = embeddings_model.embed_query("What is the meaning of life?")

集成​

LangChain 提供了许多嵌入模型集成，您可以在嵌入模型集成页面上找到。

测量相似度​

每个嵌入本质上是一组坐标，通常在高维空间中。 在这个空间中，每个点（嵌入）的位置反映了其对应文本的含义。 正如相似的词可能在词库中彼此接近一样，相似的概念在这个嵌入空间中也最终彼此接近。 这使得不同文本之间的直观比较成为可能。 通过将文本简化为这些数值表示，我们可以使用简单的数学运算来快速衡量两段文本的相似程度，而不管它们的原始长度或结构如何。 一些常见的相似性度量包括：

• 余弦相似度: 测量两个向量之间角度的余弦值。
• 欧几里得距离: 测量两点之间的直线距离。
• 点积: 测量一个向量在另一个向量上的投影。

相似度度量的选择应根据模型来选择。 例如，OpenAI建议使用余弦相似度来处理他们的嵌入，这可以很容易地实现：

import numpy as np

def cosine_similarity(vec1, vec2):
    dot_product = np.dot(vec1, vec2)
    norm_vec1 = np.linalg.norm(vec1)
    norm_vec2 = np.linalg.norm(vec2)
    return dot_product / (norm_vec1 * norm_vec2)

similarity = cosine_similarity(query_result, document_result)
print("Cosine Similarity:", similarity)