站酷网页设计分析,wordpress 点赞 ajax,Wordpress教程Windows,楼梯平台设计什么是嵌入#xff1f;
OpenAI 的文本嵌入衡量文本字符串的相关性。嵌入通常用于#xff1a;
Search 搜索#xff08;结果按与查询字符串的相关性排序#xff09;Clustering 聚类#xff08;文本字符串按相似性分组#xff09;Recommendations 推荐#xff08;推荐具有…什么是嵌入
OpenAI 的文本嵌入衡量文本字符串的相关性。嵌入通常用于
Search 搜索结果按与查询字符串的相关性排序Clustering 聚类文本字符串按相似性分组Recommendations 推荐推荐具有相关文本字符串的条目Anomaly detection 异常检测识别出相关性很小的异常值Diversity measurement 多样性测量分析相似性分布Classification 分类其中文本字符串按其最相似的标签分类
嵌入是浮点数的向量列表。两个向量之间的距离衡量它们的相关性。小距离表示高相关性大距离表示低相关性。
访问我们的定价页面以了解嵌入定价。请求根据发送的输入中的令牌Token 数量计费。
如何获得嵌入
要获得嵌入请将您的文本字符串连同选择的嵌入模型 ID例如text-embedding-ada-002一起发送到嵌入 API 端点。响应将包含一个嵌入您可以提取、保存和使用它。
示例请求
curl https://api.openai.com/v1/embeddings \-H Content-Type: application/json \-H Authorization: Bearer $OPENAI_API_KEY \-d {input: Your text string goes here,model: text-embedding-ada-002
}示例响应
{
data: [{embedding: [-0.006929283495992422,-0.005336422007530928,...-4.547132266452536e-05,-0.024047505110502243],index: 0,object: embedding}],model: text-embedding-ada-002,object: list,usage: {prompt_tokens: 5,total_tokens: 5}
}在 OpenAI Cookbook 中查看更多 Python 代码示例。
使用 OpenAI 嵌入时请牢记它们的 局限性和风险。
嵌入模型
OpenAI 提供了一个第二代嵌入模型在模型 ID 中用 -002 表示和 16 个第一代模型在模型 ID 中用 -001 表示。
我们建议对几乎所有用例使用 text-embedding-ada-002。它更好、更便宜、更易于使用。
模型生成分词器最大输入 token数据来源截止至V2cl100k_base8191Sep 2021V1GPT-2/GPT-32046Aug 2020
使用量按输入令牌Token 定价每 1000 个令牌Token 0.0004 美元或每美元约 3,000 页假设每页约 800 个令牌Token
模型每美元粗略页数BEIR 搜索评估的示例性能text-embedding-ada-002300053.9-davinci--001652.8-curie--0016050.9-babbage--00124050.4-ada--00130049.0
第二代模型
模型名称分词器最大输入 token输出text-embedding-ada-002cl100k_base81911536
第一代模型不推荐
所有第一代模型以 -001 结尾的模型都使用 GPT-3 分词器最大输入为 2046 个分词。
用例
在这里我们展示了一些有代表性的用例。我们将在以下示例中使用亚马逊美食评论数据集。
获取嵌入
该数据集包含截至 2012 年 10 月亚马逊用户留下的总共 568,454 条食品评论。我们将使用 1,000 条最新评论的子集用于说明目的。评论是英文的往往是正面的或负面的。每条评论都有一个 ProductId、UserId、Score、评论标题Summary和评论正文Text。例如
PRODUCT IDUSER IDSCORESUMMARYTEXTB001E4KFG0A3SGXH7AUHU8GW5Good Quality Dog FoodI have bought several of the Vitality canned…B00813GRG4A1D87F6ZCVE5NK1Not as AdvertisedProduct arrived labeled as Jumbo Salted Peanut…
我们会将评论摘要和评论文本合并为一个组合文本。该模型将对该组合文本进行编码并输出单个向量嵌入。
Obtain_dataset.ipynb
def get_embedding(text, modeltext-embedding-ada-002):
text text.replace(\n, )
return openai.Embedding.create(input [text], modelmodel)[data][0][embedding]df[ada_embedding] df.combined.apply(lambda x: get_embedding(x, modeltext-embedding-ada-002))
df.to_csv(output/embedded_1k_reviews.csv, indexFalse)要从保存的文件中加载数据您可以运行以下命令
import pandas as pddf pd.read_csv(output/embedded_1k_reviews.csv)
df[ada_embedding] df.ada_embedding.apply(eval).apply(np.array)二维数据可视化
Visualizing_embeddings_in_2D.ipynb
嵌入的大小随底层模型的复杂性而变化。为了可视化这种高维数据我们使用 t-SNE 算法将数据转换为二维。
我们根据评论者给出的星级评分为各个评论着色
1-star: red (红色)2-star: dark orange (深橙色)3-star: gold (金色)4-star: turquoise (薄荷绿)5-star: dark green (深绿色) 可视化似乎产生了大约 3 个集群其中一个集群的评论大多是负面的。
import pandas as pd
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
import matplotlibdf pd.read_csv(output/embedded_1k_reviews.csv)
matrix df.ada_embedding.apply(eval).to_list()# Create a t-SNE model and transform the datatsne TSNE(n_components2, perplexity15, random_state42, initrandom, learning_rate200)
vis_dims tsne.fit_transform(matrix)colors [red, darkorange, gold, turquiose, darkgreen]
x [x for x,y in vis_dims]
y [y for x,y in vis_dims]
color_indices df.Score.values - 1colormap matplotlib.colors.ListedColormap(colors)
plt.scatter(x, y, ccolor_indices, cmapcolormap, alpha0.3)
plt.title(Amazon ratings visualized in language using t-SNE)嵌入作为 ML 算法的文本特征编码器
Regression_using_embeddings.ipynb
嵌入可以用作机器学习模型中的通用自由文本特征编码器。如果一些相关输入是自由文本则合并嵌入将提高任何机器学习模型的性能。嵌入也可以用作 ML 模型中的分类特征编码器。如果分类变量的名称有意义且数量众多例如职位名称那么这会增加最大的价值。对于此任务相似性嵌入通常比搜索嵌入表现更好。
我们观察到通常嵌入表示非常丰富且信息密集。例如使用 SVD 或 PCA 降低输入的维度即使降低 10%通常也会导致特定任务的下游性能变差。
此代码将数据拆分为训练集和测试集将由以下两个用例使用即回归和分类。
from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test train_test_split(list(df.ada_embedding.values),df.Score,test_size 0.2,random_state42
)使用嵌入特征进行回归
嵌入提供了一种预测数值的优雅方法。在这个例子中我们根据评论的文本预测评论者的星级。因为嵌入中包含的语义信息很高所以即使评论很少预测也不错。
我们假设分数是 1 到 5 之间的连续变量并允许算法预测任何浮点值。 ML 算法最小化预测值与真实分数的距离并实现 0.39 的平均绝对误差这意味着平均预测偏差不到半星。
from sklearn.ensemble import RandomForestRegressorrfr RandomForestRegressor(n_estimators100)
rfr.fit(X_train, y_train)
preds rfr.predict(X_test)使用嵌入特征进行分类
Classification_using_embeddings.ipynb
这一次我们不再让算法预测 1 到 5 之间的任何值而是尝试将评论的确切星数分类为 5 个桶范围从 1 到 5 星。
训练后该模型学习预测 1 星和 5 星评论比更细微的评论2-4 星更好这可能是由于更极端的情绪表达。
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, accuracy_scoreclf RandomForestClassifier(n_estimators100)
clf.fit(X_train, y_train)
preds clf.predict(X_test)零样本分类
Zero-shot_classification_with_embeddings.ipynb
我们可以在没有任何标记训练数据的情况下使用嵌入进行零样本分类。对于每个类我们嵌入类名或类的简短描述。为了以零样本方式对一些新文本进行分类我们将其嵌入与所有类嵌入进行比较并预测具有最高相似度的类。
from openai.embeddings_utils import cosine_similarity, get_embeddingdf df[df.Score!3]
df[sentiment] df.Score.replace({1:negative, 2:negative, 4:positive, 5:positive})labels [negative, positive]
label_embeddings [get_embedding(label, modelmodel) for label in labels]def label_score(review_embedding, label_embeddings):
return cosine_similarity(review_embedding, label_embeddings[1]) - cosine_similarity(review_embedding, label_embeddings[0])prediction positive if label_score(Sample Review, label_embeddings) 0 else negative获取用于冷启动推荐的用户和产品嵌入
User_and_product_embeddings.ipynb
我们可以通过对他们的所有评论进行平均来获得用户嵌入。同样我们可以通过对有关该产品的所有评论进行平均来获得产品嵌入。为了展示这种方法的实用性我们使用 50k 评论的子集来覆盖每个用户和每个产品的更多评论。
我们在单独的测试集上评估这些嵌入的有用性我们将用户和产品嵌入的相似性绘制为评分的函数。有趣的是基于这种方法甚至在用户收到产品之前我们就可以比随机预测更好地预测他们是否喜欢该产品。 user_embeddings df.groupby(UserId).ada_embedding.apply(np.mean)
prod_embeddings df.groupby(ProductId).ada_embedding.apply(np.mean)聚类
Clustering.ipynb
聚类是理解大量文本数据的一种方式。嵌入对于这项任务很有用因为它们提供了每个文本的语义上有意义的向量表示。因此以一种无监督的方式聚类将揭示我们数据集中隐藏的分组。
在这个例子中我们发现了四个不同的集群一个专注于狗食一个专注于负面评论两个专注于正面评论。 import numpy as np
from sklearn.cluster import KMeansmatrix np.vstack(df.ada_embedding.values)
n_clusters 4kmeans KMeans(n*clusters n_clusters, initk-means, random_state42)
kmeans.fit(matrix)
df[Cluster] kmeans.labels*使用嵌入的文本搜索
Semantic_text_search_using_embeddings.ipynb
为了检索最相关的文档我们使用查询的嵌入向量与每个文档之间的余弦相似度并返回得分最高的文档。
from openai.embeddings_utils import get_embedding, cosine_similaritydef search_reviews(df, product_description, n3, pprintTrue):embedding get_embedding(product_description, modeltext-embedding-ada-002)df[similarities] df.ada_embedding.apply(lambda x: cosine_similarity(x, embedding))res df.sort_values(similarities, ascendingFalse).head(n)return resres search_reviews(df, delicious beans, n3)使用嵌入的代码搜索
Code_search.ipynb
代码搜索的工作方式类似于基于嵌入的文本搜索。我们提供了一种从给定存储库中的所有 Python 文件中提取 Python 函数的方法。然后每个函数都由 text-embedding-ada-002 模型索引。
为了执行代码搜索我们使用相同的模型将查询嵌入到自然语言中。然后我们计算结果查询嵌入和每个函数嵌入之间的余弦相似度。最高的余弦相似度结果是最相关的。
from openai.embeddings_utils import get_embedding, cosine_similaritydf[code_embedding] df[code].apply(lambda x: get_embedding(x, modeltext-embedding-ada-002))def search_functions(df, code_query, n3, pprintTrue, n_lines7):embedding get_embedding(code_query, modeltext-embedding-ada-002)df[similarities] df.code_embedding.apply(lambda x: cosine_similarity(x, embedding))res df.sort_values(similarities, ascendingFalse).head(n)return res
res search_functions(df, Completions API tests, n3)使用嵌入的推荐
Recommendation_using_embeddings.ipynb
因为嵌入向量之间的距离越短表示相似度越高嵌入可用于推荐。
下面我们说明了一个基本的推荐系统。它接受一个字符串列表和一个“源”字符串计算它们的嵌入然后返回字符串的排名从最相似到最不相似。作为一个具体示例下面链接的笔记本将此函数的一个版本应用于 AG 新闻数据集采样到 2,000 篇新闻文章描述以返回与任何给定源文章最相似的前 5 篇文章。
def recommendations_from_strings(strings: List[str],index_of_source_string: int,modeltext-embedding-ada-002,
) - List[int]:Return nearest neighbors of a given string.# get embeddings for all stringsembeddings [embedding_from_string(string, modelmodel) for string in strings]# get the embedding of the source stringquery_embedding embeddings[index_of_source_string]# get distances between the source embedding and other embeddings (function from embeddings_utils.py)distances distances_from_embeddings(query_embedding, embeddings, distance_metriccosine)# get indices of nearest neighbors (function from embeddings_utils.py)indices_of_nearest_neighbors indices_of_nearest_neighbors_from_distances(distances)return indices_of_nearest_neighbors局限性和风险
我们的嵌入模型可能不可靠或在某些情况下会带来社会风险并且在没有缓解措施的情况下可能会造成伤害。
社会偏见 局限性模型对社会偏见进行编码例如通过对某些群体的刻板印象或负面情绪。 我们通过运行 SEATMay 等人2019 年和 WinogenderRudinger 等人2018 年基准测试发现了模型中存在偏差的证据。这些基准一起包含 7 个测试用于衡量模型在应用于性别名称、区域名称和某些刻板印象时是否包含隐性偏见。
例如我们发现与非裔美国人的名字相比我们的模型更强烈地将 (a) 欧裔美国人的名字与积极情绪联系起来以及 (b) 对黑人女性的负面刻板印象。
这些基准在几个方面存在局限性(a) 它们可能无法推广到您的特定用例以及 (b) 它们仅测试极小部分可能的社会偏见。
这些测试是初步的我们建议针对您的特定用例运行测试。这些结果应被视为该现象存在的证据而不是对您的用例的明确描述。请参阅我们的使用政策以获取更多详细信息和指导。
如果您有任何问题请通过聊天联系我们的支持团队我们很乐意就此提供建议。
对最近发生的事件视而不见 局限性模型缺乏对 2020 年 8 月之后发生的事件的了解。 我们的模型在包含 8/2020 之前真实世界事件的一些信息的数据集上进行训练。如果你依赖于代表最近事件的模型那么它们可能表现不佳。
常见问题
在嵌入字符串之前如何知道它有多少个 Token
在 Python 中您可以使用 OpenAI 的分词器 tiktoken 将字符串拆分为分词。
示例代码
import tiktokendef num_tokens_from_string(string: str, encoding_name: str) - int:Returns the number of tokens in a text string.encoding tiktoken.get_encoding(encoding_name)num_tokens len(encoding.encode(string))return num_tokensnum_tokens_from_string(tiktoken is great!, cl100k_base)对于像 text-embedding-ada-002 这样的第二代嵌入模型使用 cl100k_base 编码。
更多详细信息和示例代码在 OpenAI Cookbook 指南中如何使用 tiktoken 计算令牌Token 。
如何快速检索 K 个最近的嵌入向量
为了快速搜索多个向量我们建议使用向量数据库。您可以在 GitHub 上的 Cookbook 中找到使用向量数据库和 OpenAI API 的示例。
向量数据库选项包括
Pinecone, 完全托管的向量数据库Weaviate, 开源向量搜索引擎Redis 用作向量数据库Qdrant, 向量搜索引擎Milvus, 为可扩展的相似性搜索而构建的向量数据库Chroma一个开源嵌入数据库Typesense快速开源矢量搜索Zilliz数据基础设施由 Milvus 提供支持
我应该使用哪个 distance 函数
我们推荐余弦相似度。distance 函数的选择通常无关紧要。
OpenAI 嵌入被归一化为长度 1这意味着
仅使用点积可以稍微更快地计算余弦相似度余弦相似度和欧几里德距离将导致相同的排名
