嵌入

OpenAI的文本嵌入(embeddings)可以测量文本字符串之间的相关性。嵌入通常用于:

  • 搜索(结果按查询字符串的相关性排序)

  • 聚类(将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物品)

  • 异常检测(识别具有较少相关性的异常值)

  • 多样性测量(分析相似性分布)

  • 分类(将文本字符串按其最相似的标签分类)

嵌入是由浮点数组成的向量(列表)。两个向量之间的距离可以衡量它们之间的相关性。小距离表明高相关性,大距离则表明低相关性。

请访问我们的定价页面了解嵌入的价格。请求基于输入中的token数量计费。

要了解嵌入的实际运用,请查看本文中的示例:

  • 分类

  • 主题聚类

  • 搜索

  • 推荐

如何获取嵌入

要获取嵌入,将您的文本字符串发送到嵌入API端点,并选择一个嵌入模型ID(例如text-embedding-ada-002)。响应将包含一个嵌入,您可以提取、保存和使用。

示例请求:

# 获取嵌入
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
  }
}

OpenAI Cookbook中查看更多Python代码示例。 使用OpenAI嵌入时,请记住它们的限制和风险。

嵌入模型

OpenAI 提供了一个第二代嵌入模型(在模型 ID 中标记为 -002)和 16 个第一代模型(在模型 ID 中标记为 -001)。 我们建议几乎所有用例都使用 text-embedding-ada-002。它更好、更便宜、更简单易用。请阅读博客文章公告。

使用按输入词元计价,每1000个词元的费率为0.0004美元,或者大约1美元可以翻译3000页(假设每页有800个词元):

第二代模型

第一代模型(不推荐)

官方也不推荐使用其他的第一代模型,这边就不翻译了

使用案例

这里我们展示一些代表性的使用案例。接下来的例子中,我们将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共568,454条食品评论。我们将使用最近1,000条评论的子集进行说明。这些评论是用英语编写的,往往是积极或消极的。每个评论都有一个ProductId、UserId、Score、评价标题(Summary)和评价正文(Text)。例如:

我们将把评论摘要和评论文本合并成一个组合文本。模型将对这个组合文本进行编码,并输出一个单一的向量嵌入。

Obtain_dataset.ipynb

def get_embedding(text, model="text-embedding-ada-002"):
   text = text.replace("\n", " ")
   return openai.Embedding.create(input = [text], model=model)['data'][0]['embedding']
 
df['ada_embedding'] = df.combined.apply(lambda x: get_embedding(x, model='text-embedding-ada-002'))
df.to_csv('output/embedded_1k_reviews.csv', index=False)

要从保存的文件中加载数据,您可以运行以下命令:

import pandas as pd
 
df = pd.read_csv('output/embedded_1k_reviews.csv')
df['ada_embedding'] = df.ada_embedding.apply(eval).apply(np.array)

数据2D可视化

Visualizing_embeddings_in_2D.ipynb

嵌入的大小取决于底层模型的复杂性。为了可视化这个高维数据,我们使用t-SNE算法将数据转换成二维。 我们根据评论者给出的星级评分来着色每个单独的评论:

  • 1星:红色

  • 2星:深橙色

  • 3星:金色

  • 4星:青绿色

  • 5星:深绿色

可视化似乎产生了大约3个聚类,其中一个主要是负面评价。

import pandas as pd
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
import matplotlib
 
df = pd.read_csv('output/embedded_1k_reviews.csv')
matrix = df.ada_embedding.apply(eval).to_list()
 
# Create a t-SNE model and transform the data
tsne = TSNE(n_components=2, perplexity=15, random_state=42, init='random', learning_rate=200)
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 - 1
 
colormap = matplotlib.colors.ListedColormap(colors)
plt.scatter(x, y, c=color_indices, cmap=colormap, alpha=0.3)
plt.title("Amazon ratings visualized in language using t-SNE")

将嵌入作为文本特征编码器用于机器学习算法

Regression_using_embeddings.ipynb

嵌入可以作为机器学习模型中通用的自由文本特征编码器。如果一些相关输入是自由文本,那么加入嵌入将提高任何机器学习模型的性能。嵌入也可以作为ML模型中分类特征编码器使用。如果分类变量名称有意义且数量众多(例如职位名称),则此方法最具价值。相似度嵌入通常比搜索嵌入在此任务上表现更好。

我们观察到,通常情况下,嵌入表示的信息密度很高。例如,使用SVD或PCA降低输入维数即使只有10%,在特定任务的下游性能方面通常会导致更差的结果。

该代码将数据分成训练集和测试集,并将被以下两个用例使用:回归和分类。

from sklearn.model_selection import train_test_split
 
X_train, X_test, y_train, y_test = train_test_split(
    list(df.ada_embedding.values),
    df.Score,
    test_size = 0.2,
    random_state=42
)

使用嵌入特征的回归

嵌入提供了一种优雅的方法来预测数值。在这个例子中,我们根据评论文本预测评论者的星级评分。由于嵌入所包含的语义信息非常丰富,即使只有很少的评论,也可以得到不错的预测结果。

我们假设得分是1到5之间的连续变量,并允许算法预测任何浮点值。机器学习算法将预测值与真实得分之间的距离最小化,并取得了0.39 的平均绝对误差,这意味着平均而言,预测偏差不到半颗星。

from sklearn.ensemble import RandomForestRegressor
 
rfr = RandomForestRegressor(n_estimators=100)
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之间的任意值,而是尝试将评论中的星级精确分类为5个档次,范围从1星到5星。

经过训练后,模型学会了更好地预测1和5星评价,而对于更微妙的评价(2-4星),由于情感表达不够极端可能效果较差。

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, accuracy_score
 
clf = RandomForestClassifier(n_estimators=100)
clf.fit(X_train, y_train)
preds = clf.predict(X_test)

零样本分类

Zero-shot_classification_with_embeddings.ipynb

我们可以使用嵌入来进行零样本分类,而无需任何标记的训练数据。对于每个类别,我们将类名或类的简短描述嵌入其中。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别嵌入进行比较,并预测相似度最高的类别。

from openai.embeddings_utils import cosine_similarity, get_embedding
 
df= 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, model=model) 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'

获取用户和产品嵌入以进行冷启动推荐

User_and_product_embeddings.ipynb

我们可以通过对用户所有评论进行平均来获得用户嵌入。同样地,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个评论的子集以涵盖更多用户和产品的评论。

我们在一个单独的测试集上评估这些嵌入的实用性,在那里我们绘制用户和产品嵌入相似度作为评分函数。有趣的是,基于这种方法,即使在用户收到产品之前,我们也能比随机预测他们是否会喜欢该产品。

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法。嵌入对于这个任务非常有用,因为它们提供了每个文本的语义向量表示。因此,在无监督的情况下,聚类将揭示我们数据集中隐藏的分组。

在这个例子中,我们发现四个不同的簇:一个专注于狗粮,一个专注于负面评论,另外两个则是关于正面评论。

import numpy as np
from sklearn.cluster import KMeans
 
matrix = np.vstack(df.ada_embedding.values)
n_clusters = 4
 
kmeans = KMeans(n_clusters = n_clusters, init='k-means++', random_state=42)
kmeans.fit(matrix)
df['Cluster'] = kmeans.labels_

使用嵌入进行文本搜索

Semantic_text_search_using_embeddings.ipynb

为了检索出最相关的文档,我们使用查询嵌入向量和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_similarity
 
def search_reviews(df, product_description, n=3, pprint=True):
   embedding = get_embedding(product_description, model='text-embedding-ada-002')
   df['similarities'] = df.ada_embedding.apply(lambda x: cosine_similarity(x, embedding))
   res = df.sort_values('similarities', ascending=False).head(n)
   return res
 
res = search_reviews(df, 'delicious beans', n=3)

使用嵌入进行代码搜索

Code_search.ipynb

代码搜索与基于嵌入式文本搜索类似。我们提供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模型进行索引。

要执行代码搜索,我们使用相同的模型将查询以自然语言形式进行嵌入。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。最高余弦相似度结果最相关。

from openai.embeddings_utils import get_embedding, cosine_similarity
 
df['code_embedding'] = df['code'].apply(lambda x: get_embedding(x, model='text-embedding-ada-002'))
 
def search_functions(df, code_query, n=3, pprint=True, n_lines=7):
   embedding = get_embedding(code_query, model='text-embedding-ada-002')
   df['similarities'] = df.code_embedding.apply(lambda x: cosine_similarity(x, embedding))
 
   res = df.sort_values('similarities', ascending=False).head(n)
   return res
res = search_functions(df, 'Completions API tests', n=3)

使用嵌入推荐

Recommendation_using_embeddings.ipynb

因为嵌入向量之间的距离越短,表示它们之间的相似度越大,所以嵌入可以用于推荐。

下面我们展示一个基本的推荐器。它接收一组字符串和一个“源”字符串,计算它们的嵌入向量,然后返回按相似度从高到低排名的字符串列表。作为具体例子,下面链接的笔记本将这个函数应用于 AG 新闻数据集(采样至 2,000 条新闻文章描述),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,
   model="text-embedding-ada-002",
) -> List[int]:
   """Return nearest neighbors of a given string."""

   # get embeddings for all strings
   embeddings = [embedding_from_string(string, model=model) for string in strings]
   
   # get the embedding of the source string
   query_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_metric="cosine")
   
   # 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

限制和风险

在某些情况下,我们的嵌入模型可能不可靠或存在社会风险,并且在没有缓解措施的情况下可能会造成伤害。

社会偏见

限制:模型通过刻板印象或对某些群体的负面情感编码了社会偏见。 我们通过运行SEAT(May等人,2019)和Winogender(Rudinger等人,2018)基准测试发现了我们模型中存在偏差的证据。这些基准测试共包括7个测试,用于衡量当应用于性别化名称、地区名称和一些刻板印象时,模型是否包含隐含偏见。

例如,我们发现与非洲裔美国人姓名相比,我们的模型更强烈地将欧洲裔美国人姓名与积极情感联系起来,并将负面刻板印象与黑人女性联系起来。 这些基准测试有若干局限性:(a) 它们可能无法推广到您特定的使用案例中;(b) 它们仅针对可能出现的很小一部分社会偏见进行测试。

这些测试是初步结果,请根据您特定使用案例运行相关测试。这些结果应被视为该现象存在的证据而非其在您使用案例中明确描述。请参阅我们的使用政策以获取更多详细信息和指导建议。 如果您有任何问题,请通过聊天联系支持团队;我们很乐意为此提供建议。

盲目忽略最近事件

限制:模型缺乏关于2020年8月之后发生事件的知识。 我们的模型是训练在数据集上,在其中包含了截至2020年8月真实世界事件方面一定程度上信息。如果你依赖于代表最近事件的模型,则它们可能不会表现得很好 。常问问题 如何确定我要嵌入字符串之前有多少词元? 在Python中, 您可以使用OpenAI 的tokenizer tiktoken 将一个字符串分割成词元. 示例代码:

import tiktoken

def 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_tokens

num_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,请使用cl100k_base编码。

更多细节和示例代码在OpenAI Cookbook指南中如何使用tiktoken计算词元中

如何快速检索K个最近的嵌入向量?

为了快速搜索许多向量,我们建议使用矢量数据库。您可以在GitHub上的我们的Cookbook中找到有关与矢量数据库和OpenAI API一起工作的示例。 矢量数据库选项包括:

  • Pinecone,完全托管的矢量数据库

  • Weaviate,开源矢量搜索引擎

  • Faiss,Facebook提供的矢量搜索算法

  • Redis作为一个向量数据库

  • Qdrant,一个向量搜索引擎

  • Typesense是一个开源搜索引擎,并带有向量搜索功能。

我应该使用哪种距离函数?

我们推荐余弦相似度。距离函数的选择通常并不重要。 OpenAI嵌入被归一化为长度1,这意味着:

  • 余弦相似性可以通过仅使用点积来稍微更快地计算出来

  • 余弦相似性和欧几里得距离将产生相同的排名

最后更新于