基于向量检索服务与TextEmbedding实现语义搜索

本教程演示如何使用向量检索服务（DashVector），结合灵积模型服务上的Embedding API，来从0到1构建基于文本索引的构建+向量检索基础上的语义搜索能力。具体来说，我们将基于QQ 浏览器搜索标题语料库（QBQTC：QQ Browser Query Title Corpus）进行实时的文本语义搜索，查询最相似的相关标题。

什么是 Embedding

简单来说，Embedding是一个多维向量的表示数组，通常由一系列数字组成。Embedding可以用来表示任何数据，例如文本、音频、图片、视频等等，通过Embedding我们可以编码各种类型的非结构化数据，转化为具有语义信息的多维向量，并在这些向量上进行各种操作，例如相似度计算、聚类、分类和推荐等。

整体流程概述

Embedding：通过DashScope提供的通用文本向量模型，对语料库中所有标题生成对应的embedding向量。
构建索引服务和查询：
- 通过DashVector向量检索服务对生成embedding向量构建索引。
- 将查询文本embedding向量作为输入，通过DashVector搜索相似的标题。

具体操作流程

前提条件

开通灵积模型服务，并获得 API-KEY：开通DashScope并创建API-KEY。
开通DashVector向量检索服务，并获得 API-KEYAPI-KEY管理。

1、环境安装

说明

需要提前安装 Python3.7 及以上版本，请确保相应的 python 版本。

pip3 install dashvector dashscope

2、数据准备

QQ浏览器搜索相关性数据集（QBQTC, QQ Browser Query Title Corpus），是QQ浏览器搜索引擎目前针对大搜场景构建的一个融合了相关性、权威性、内容质量、时效性等维度标注的学习排序（LTR）数据集，广泛应用在搜索引擎业务场景中。作为CLUE-beanchmark的一部分，QBQTC 数据集可以直接从github上下载（训练集路径为dataset/train.json）。

git clone https://github.com/CLUEbenchmark/QBQTC.git wc -l QBQTC/dataset/train.json

数据集中的训练集（train.json）其格式为 json：

{ "id": 0, "query": "小孩咳嗽感冒", "title": "小孩感冒过后久咳嗽该吃什么药育儿问答宝宝树", "label": "1" }

我们将从这个数据集中提取title，方便后续进行embedding并构建检索服务。

import json def prepare_data(path, size): with open(path, 'r', encoding='utf-8') as f: batch_docs = [] for line in f: batch_docs.append(json.loads(line.strip())) if len(batch_docs) == size: yield batch_docs[:] batch_docs.clear() if batch_docs: yield batch_docs

3、通过 DashScope 生成 Embedding 向量

DashScope灵积模型服务通过标准的API提供了多种模型服务。其中支持文本Embedding的模型中文名为通用文本向量，英文名为text-embedding-v1。我们可以方便的通过DashScope API调用来获得一段输入文本的embedding向量。

说明

需要使用您的api-key替换示例中的 your-dashscope-api-key ，代码才能正常运行。

import dashscope from dashscope import TextEmbedding dashscope.api_key='{your-dashscope-api-key}' def generate_embeddings(text): rsp = TextEmbedding.call(model=TextEmbedding.Models.text_embedding_v1, input=text) embeddings = [record['embedding'] for record in rsp.output['embeddings']] return embeddings if isinstance(text, list) else embeddings[0] # 查看下embedding向量的维数，后面使用 DashVector 检索服务时会用到，目前是1536 print(len(generate_embeddings('hello')))

4、通过 DashVector 构建检索：向量入库

DashVector 向量检索服务上的数据以集合（Collection）为单位存储，写入向量之前，我们首先需要先创建一个集合来管理数据集。创建集合的时候，需要指定向量维度，这里的每一个输入文本经过DashScope上的text_embedding_v1模型产生的向量，维度统一均为1536。

DashVector 除了提供向量检索服务外，还提供倒排过滤功能和 scheme free 功能。所以我们为了演示方便，可以写入数据时，可以将title内容写入 DashVector 以便召回。写入数据还需要指定 id，我们可以直接使用 QBQTC 中id。

说明

需要使用您的api-key替换示例中的 your-dashvector-api-key ，以及您的Cluster Endpoint替换示例中的 your-dashvector-cluster-endpoint，代码才能正常运行。

from dashvector import Client, Doc # 初始化 DashVector client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' ) # 指定集合名称和向量维度 rsp = client.create('sample', 1536) assert rsp collection = client.get('sample') assert collection batch_size = 10 for docs in list(prepare_data('QBQTC/dataset/train.json', batch_size)): # 批量 embedding embeddings = generate_embeddings([doc['title'] for doc in docs]) # 批量写入数据 rsp = collection.insert( [ Doc(id=str(doc['id']), vector=embedding, fields={"title": doc['title']}) for doc, embedding in zip(docs, embeddings) ] ) assert rsp

5、语义检索：向量查询

在把QBQTC训练数据集里的title内容都写到DashVector服务上的集合里后，就可以进行快速的向量检索，实现“语义搜索”的能力。继续上面代码的例子，假如我们要搜索有多少和'应届生招聘'相关的title内容，可以通过在DashVector上去查询'应届生招聘'，即可迅速获取与该查询语义相近的内容，以及对应内容与输入之间的相似指数。

# 基于向量检索的语义搜索 rsp = collection.query(generate_embeddings('应届生招聘'), output_fields=['title']) for doc in rsp.output: print(f"id: {doc.id}, title: {doc.fields['title']}, score: {doc.score}")

id: 0, title: 实习生招聘-应届生求职网, score: 2523.1582 id: 6848, title: 应届生求职网校园招聘yingjieshengcom中国领先的大学生求职网站, score: 3053.7095 id: 8935, title: 北京招聘求职-前程无忧, score: 5100.5684 id: 5575, title: 百度招聘实习生北京实习招聘, score: 5451.4155 id: 6500, title: 中公教育招聘信息网-招聘岗位-近期职位信息-中公教育网, score: 5656.128 id: 7491, title: 张家口招聘求职-前程无忧, score: 5834.459 id: 7520, title: 前程无忧网北京前程无忧网招聘, score: 5874.412 id: 3214, title: 乡镇卫生院招聘招聘乡镇卫生院招聘信息+-58同城, score: 6005.207 id: 6507, title: 赶集网招聘实习生北京实习招聘, score: 6424.9927 id: 5431, title: 实习内容安排百度文库, score: 6505.735

免费体验阿里云高性能向量检索服务：https://www.aliyun.com/product/ai/dashvector