Embedding 嵌入知识入门

原文首发于博客文章Embedding 嵌入知识入门

文本嵌入是什么

向量是一个有方向和长度的量，可以用数学中的坐标来表示。例如，可以用二维坐标系中的向量表示一个平面上的点，也可以用三维坐标系中的向量表示一个空间中的点。在机器学习中，向量通常用于表示数据的特征。

而文本嵌入是一种将文本这种离散数据映射到连续向量空间的方法，嵌入技术可以将高维的离散数据降维到低维的连续空间中，并保留数据之间的语义关系，从而方便进行机器学习和深度学习的任务。

例如：

"机器学习"表示为 [1,2,3]
"深度学习"表示为[2,3,3]
"英雄联盟"表示为[9,1,3]

使用余弦相似度（余弦相似度是一种用于衡量向量之间相似度的指标，可以用于文本嵌入之间的相似度）在计算机中来判断文本之间的距离：

“机器学习”与“深度学习”的距离： $cos(\Theta_1 )=\frac{1*2+2*3+3*3}{\sqrt{1^2+2^2+3^3}\sqrt{2^2+3^2+3^3}}=0.97$

“机器学习”与“英雄联盟“的距离”： $cos(\Theta_2 )=\frac{1*9+2*1+3*3}{\sqrt{1^2+2^2+3^3}\sqrt{9^2+1^2+3^3}}=0.56$

“机器学习”与“深度学习”两个文本之间的余弦相似度更高，表示它们在语义上更相似。

文本嵌入算法

文本嵌入算法是指将文本数据转化为向量表示的具体算法，通常包括以下几个步骤：

分词：将文本划分成一个个单词或短语。
构建词汇表：将分词后的单词或短语建立词汇表，并为每个单词或短语赋予一个唯一的编号。
计算词嵌入：使用预训练的模型或自行训练的模型，将每个单词或短语映射到向量空间中。
计算文本嵌入：将文本中每个单词或短语的向量表示取平均或加权平均，得到整个文本的向量表示。

常见的文本嵌入算法包括 Word2Vec、GloVe、FastText 等。这些算法通过预训练或自行训练的方式，将单词或短语映射到低维向量空间中，从而能够在计算机中方便地处理文本数据。

文本嵌入用途

文本嵌入用于测量文本字符串的相关性，通常用于：

搜索（结果按与查询字符串的相关性排序）
聚类（其中文本字符串按相似性分组）
推荐（推荐具有相关文本字符串的项目）
异常检测（识别出相关性很小的异常值）
多样性测量（分析相似性分布）
分类（其中文本字符串按其最相似的标签分类）

使用文本嵌入模型

可以使用 HuggingFace上能够处理文本嵌入的开源模型，例如：uer/sbert-base-chinese-nli

python">from sentence_transformers import SentenceTransformer
model = SentenceTransformer('uer/sbert-base-chinese-nli')
sentences = ["机器学习","深度学习","英雄联盟",]
sentence_embeddings = model.encode(sentences)

使用之前介绍的 OpenAI 文本嵌入API 可以将文本转换为向量，OpenAI API提供了多个文本嵌入模型，这篇博客对它们的性能进行了比较，这里是性能最好的text-embedding-ada-002说明：

模型名称	价格	分词器	最大输入 token	输出
text-embedding-ada-002	$0.000/1k tokens	cl100k_base	8191	1536

矢量数据库

为了快速搜索多个矢量，建议使用矢量数据库，下面是一些可选的矢量数据库：
- Pinecone，一个完全托管的矢量数据库
- Weaviate，一个开源的矢量搜索引擎
- Redis作为矢量数据库
- Qdrant，一个矢量搜索引擎
- Milvus，一个为可扩展的相似性搜索而构建的矢量数据库
- Chroma，一个开源嵌入式商店
- Typesense，快速的开源矢量搜索引擎
- Zilliz，数据基础设施，由Milvus提供技术支持
- FAISS 是Meta开源的用于高效搜索大规模矢量数据集的库

性能优化✍️：

和传统数据库一样，可以使用工程手段优化矢量数据库搜索性能，最直接的就是更新索引算法，对索引数据进行分区优化。

平面索引（FLAT）：将向量简单地存储在一个平面结构中，最基本的向量索引方法。
- 欧式距离（Euclidean Distance）
- 余弦相似度（Cosine Similarity）
分区索引（IVF）：将向量分配到不同的分区中，每个分区建立一个倒排索引结构，最终通过倒排索引实现相似度搜索。
- 欧式距离（Euclidean Distance）
- 余弦相似度（Cosine Similarity）
量化索引（PQ）：将高维向量划分成若干子向量，将每个子向量量化为一个编码，最终将编码存储在倒排索引中，利用倒排索引进行相似度搜索。
- 欧式距离（Euclidean Distance）
- 汉明距离（Hamming Distance）
HNSW (Hierarchical Navigable Small World)：通过构建一棵层次化的图结构，从而实现高效的相似度搜索。
- 内积（Inner Product）
- 欧式距离（Euclidean Distance）
NSG (Navigating Spreading-out Graph)：通过构建一个分层的无向图来实现快速的相似度搜索。
- 欧式距离（Euclidean Distance）
Annoy (Approximate Nearest Neighbors Oh Yeah)：通过将高维空间的向量映射到低维空间，并构建一棵二叉树来实现高效的近似最近邻搜索。
- 欧式距离（Euclidean Distance）
- 曼哈顿距离（Manhattan Distance）
LSH (Locality-Sensitive Hashing)：通过使用哈希函数将高维的向量映射到低维空间，并在低维空间中比较哈希桶之间的相似度，实现高效的相似度搜索。
- 内积（Inner Product）
- 欧式距离（Euclidean Distance）