目录导航
- 1 什么是Embedding
-
- 2 为什么使用Embedding
- 3 数据向量化的处理流程
- 4 Embedding实战
1 什么是Embedding
- 在大模型中，"embedding"指的是将某种类型的输入数据（如文本、图像、声音等）转换成一个稠密的数值向量的过程。
- 这些向量通常包含较多维度，每一个维度代表输入数据的某种抽象特征或属性。
- Embedding 的目的是将实际的输入转化为一种格式，使得计算机能够更有效地处理和学习
在这里插入图片描述
- 文本Embedding 在自然语言处理（NLP）中，文本embedding是一个常见的概念。是将文字或短语转换成数值向量的过程。这些向量捕捉了单词的语义特征，例如意义、上下文关系等。比如，使用词嵌入技术（如Word2Vec、GloVe或BERT），模型可以将具有相似意义的词映射到向量空间中的相近位置。 - 图像Embedding 对于图像，embedding过程通常涉及使用卷积神经网络（CNN）等模型来提取图像中的特征，并将这些特征转换为一个高维向量。这样的向量可以代表图像的内容、风格、色彩等信息，从而用于图像识别、分类或检索任务。 - 声音Embedding 在声音处理领域，embedding通常指的是将音频信号转换为一个表示其特征的向量，这包括音调、节奏、音色等。通过这样的转换，可以进行声音识别、音乐生成等任务。
2 为什么使用Embedding
- Embedding的主要优势是能够将实体转换为计算机易于处理的数值形式，同时减少信息的维度和复杂度。
- 有助于提高处理效率，而且也使得不同实体之间的比较（如计算相似度）变得可行。
- embedding通常通过大量数据的训练而得到，能够捕捉到复杂的模式和深层次的关系，这是传统方法难以实现的
3 数据向量化的处理流程
1. 收集 这一步骤是数据收集阶段，涉及到从不同的来源（如数据库、网站、文档等）收集需要分析的文本数据。这些数据可以是文章、评论、报告等形式。重点是确定数据源，并确保数据的相关性和质量。
2. 切块 对于大型文档，直接处理可能会因为模型的输入限制（如Token数量限制）而变得不可行。在这种情况下，需要将大文档分割成更小的部分。这些部分应该尽可能保持语义的完整性，例如按段落或章节切分。切块的目的是确保每块文本的大小适合模型处理，同时尽量减少上下文信息的丢失。
3. 嵌入 在切块后，每个文本块将被转换为数值向量，即通过OpenAI的embedding API进行嵌入。这一步涉及调用API，将文本数据发送到OpenAI的服务器，服务器会返回文本的向量表示。这些向量捕捉了文本的深层语义特征，使得文本之间的比较、搜索和分析变得可能。
4. 结果存储 嵌入向量生成后，需要将它们存储起来以便于后续的检索和分析。对于大型数据集，推荐使用专门的向量数据库（如Faiss、Annoy、Elasticsearch等），这些数据库优化了向量的存储和相似性搜索操作。存储不仅要保证数据的可检索性，也要考虑查询效率和存储成本
4 Embedding实战
- 演示是通过OPENAI的embedding进行，根据最新的api测试
在这里插入图片描述
- 测试代码如下
代码语言：javascript
复制
- 文本转化向量
在这里插入图片描述
- 如何计算两个向量的相似度？ 余弦相似度是一种用来衡量两个向量方向上的相似性的方法。在文本分析中，它常用于比较两段文本的语义相似性。当我们使用向量化模型（如OpenAI的text-embedding-ada-002模型）将文本转化为向量后，每个向量的维度表示某种语义特征，向量中的值反映了相应特征的强度。
余弦相似度的计算公式为：
在这里插入图片描述
其中，
vec1⋅vec2
表示两个向量的点积，
|vec1|
和
|vec2|
分别是这两个向量的欧几里得范数（即向量的长度）。 这个比例的本质是测量两个向量之间夹角的余弦值，范围从-1到1： 当余弦值为1时，表示两个向量方向完全相同。 当余弦值为0时，表示两个向量正交，即在高维空间中不相关。 当余弦值为-1时，表示两个向量方向完全相反。 在文本相似度测量中，如果两个文本的向量化表示在方向上更接近，它们的余弦相似度就更高，这意味着它们在语义上更相似。因此，通过计算向量之间的余弦相似度，我们可以有效地评估两段文本的相似性。这种方法适用于处理高维空间中的数据，如自然语言处理中的文本数据。
- 整体实战代码 文本检索匹配
代码语言：javascript
复制
- 结果
在这里插入图片描述
- 最终检索到匹配度前三的文本向量 后续会使用到向量数据库 完成知识库的搭建
版权声明：
本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。
本文网址：https://www.mushiming.com/mjsbk/668.html