如何在 Elasticsearch 中使用 Openai Embedding 进行语义搜索

随着强大的 GPT 模型的出现，文本的语义提取得到了改进。 在本文中，我们将使用嵌入向量在文档中进行搜索，而不是使用关键字进行老式搜索。

什么是嵌入 - embedding？

在深度学习术语中，嵌入是文本或图像等内容的数字表示。 由于每个深度学习模型的输入都应该是数字，因此要使用文本来训练模型，我们应该将其转换为一种数字格式。

有多种算法可以将文本转换为 n 维数字数组。 最简单的算法称为“Bag Of Word”，该算法中 n 是语料库中唯一单词的数量。 该算法只是简单地统计文本中出现的单词数量，并形成一个数组来表示它。

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> corpus = [
...     'This is the first document.',
...     'This document is the second document.',
...     'And this is the third one.',
...     'Is this the first document?',
... ]
>>> vectorizer = CountVectorizer()
>>> X = vectorizer.fit_transform(corpus)
>>> vectorizer.get_feature_names_out()
array(['and', 'document', 'first', 'is', 'one', 'second', 'the', 'third',
       'this'], ...)
>>> print(X.toarray())
[[0 1 1 1 0 0 1 0 1]
 [0 2 0 1 0 1 1 0 1]
 [1 0 0 1 1 0 1 1 1]
 [0 1 1 1 0 0 1 0 1]]

这种表示形式不够丰富，无法从文本中提取语义和含义。 由于变换器的强大功能，模型可以学习嵌入。 Openai 提供了嵌入 API 来计算文本的嵌入数组。 该表示可以存储在矢量数据库中以供搜索。

Openai 嵌入 API

要使用 openai，我们需要在 openai 网站上生成一个 API 密钥。 为此，我们需要在 “View API Keys” 页面中注册并生成一个新密钥。

请记住：该密钥只会显示一次，因此请保存以供以后使用。

要检索文本嵌入，我们应该使用模型和文本调用 openai 嵌入 API。

{
    "input": "The food was delicious and the waiter...",
    "model": "text-embedding-ada-002"
}

输入是我们要计算嵌入数组的文本，模型是嵌入模型的名称。 Openai 对于此链接中提供的嵌入模型有多种选择。 在本文中，我们将使用默认的 “text-embedding-ada-002”。 为了调用 API，我们在 python 中使用以下脚本。

import os
import requests
 
headers = {
    'Authorization': 'Bearer ' + os.getenv('OPENAI_API_KEY', ''),
    'Content-Type': 'application/json',
}
 
json_data = {
    'input': 'This is the test text',
    'model': 'text-embedding-ada-002',
}
 
response = requests.post('https://api.openai.com/v1/embeddings',
                         headers=headers,
                         json=json_data)
result = response.json()

嵌入的响应将类似于：

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "embedding": [
        0.0023064255,
        -0.009327292,
        .... (1536 floats total for ada-002)
        -0.0028842222,
      ],
      "index": 0
    }
  ],
  "model": "text-embedding-ada-002",
  "usage": {
    "prompt_tokens": 8,
    "total_tokens": 8
  }
}

result['data']['embedding'] 是给定文本的嵌入向量。 ada-002 模型的向量大小为 1536 个浮点数，输入的最大标记为 8191 个标记。

存储和搜索

有多种数据库选择来存储嵌入向量。 在本文中，我们将探索 Elasticsearch 来存储和搜索向量。

Elasticsearch 有一个预定义的向量数据类型，称为 “密集向量”。 为了存储嵌入向量，我们需要创建一个索引，其中包括一个文本字段和一个嵌入向量字段。

PUT my_vector_index
{
  "mappings": {
    "properties": {
      "embedding": {
        "type": "dense_vector",
        "dims": 1536
      },
      "text": {
        "type": "keyword"
      }
    }
  }
}

对于 ada-002 模型，向量的维数应为 1536。 现在要查询该索引，我们需要熟悉不同类型的向量相似度得分。 余弦相似度是我们可以在 Elasticsearch 中使用的分数之一。 首先，我们需要计算搜索短语的嵌入向量，然后通过索引对其进行查询并获取 top-k 结果。

POST my_vector_index/_search
{
  "query": {
    "script_score": {
      "query": {
        "match_all": {}
      },
      "script": {
        "source": "cosineSimilarity(params.query_vector, 'embedding') + 1.0",
        "params": {
          "query_vector": [0.230, -0.120, 0.389, ...]
        }
      }
    }
  }
}

当然，对于大规模部署，我们需要使用 aNN 搜索。请详细阅读 “Elasticsearch：在 Elastic Stack 8.0 中引入近似最近邻搜索”。

这将返回语义上与文本查询相似的文本。

结论

在本文中，我们探讨了新嵌入模型在文档中查找语义的强大功能。 你可以使用任何类型的文档，例如 PDF、图像、音频，并使用 Elasticsearch 作为语义相似性的搜索引擎。 该功能可用于语义搜索、推荐系统。