最近业务有需求:结合RAG+内容推荐,针对实践部分,做一点探究。
话不多说,直接开冲!
背景
首先回顾一下 RAG 技术定义,它可以结合信息检索和生成模型的混合。简单来说,RAG = 预训练的语言模型 + 信息检索系统,使模型能够在生成自然语言时引入外部知识,从而提高生成内容的准确性和多样性。
检索模型用于从一个大规模知识库中检索相关文档。通常使用向量空间模型来表示文档和查询,并利用最近邻搜索算法来找到与查询最相关的文档。
生成模型基于检索到的文档生成回答。它通常是一个预训练的语言模型(例如GPT-3)微调后用于生成与上下文相关的回答。
基于这样的背景,这种技术在内容推荐、问答系统和自动摘要等领域有着广泛的应用,它能克服纯生成模型对训练数据依赖过大的缺点。
本文将介绍RAG的基本原理,并结合内容推荐机制进行实践演示,包括代码示例。
在内容推荐中,RAG 可以通过 结合用户历史行为和外部文档生成个性化的推荐内容。
例如,可以根据用户的阅读历史检索相关文档,并生成推荐理由或简介,从而提高推荐系统的智能性和用户体验。
实践示例
首先就是安装必要的库:
pip install transformers faiss-cpu
这里,假设我们有一个包含文档的知识库,以及用户的历史行为记录:
documents = [
"Deep learning is a subset of machine learning in artificial intelligence (AI).",
"Recommender systems are a subclass of information filtering system that seek to predict the rating or preference a user would give to an item.",
"Natural language processing (NLP) is a subfield of linguistics, computer science, and artificial intelligence concerned with the interactions between computers and human language."
]
user_history = [
"I am interested in machine learning and artificial intelligence.",
"I want to learn more about recommender systems."
]
我们使用一个简单的TF-IDF模型进行检索:
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
# 创建TF-IDF向量化器
vectorizer = TfidfVectorizer().fit(documents)
doc_vectors = vectorizer.transform(documents)
def retrieve(query, top_k=2):
query_vector = vectorizer.transform([query])
similarities = cosine_similarity(query_vector, doc_vectors).flatten()
indices = similarities.argsort()[-top_k:][::-1]
return [documents[i] for i in indices]
# 示例检索
query = "Tell me about AI and recommender systems."
retrieved_docs = retrieve(query)
print(retrieved_docs)
这里使用TF-IDF向量化器将文档和查询向量化,并通过计算余弦相似度找到与查询最相关的文档。
使用预训练的GPT模型进行生成:
from transformers import GPT2LMHeadModel, GPT2Tokenizer
# 加载预训练的GPT模型和tokenizer
model_name = "gpt2"
tokenizer = GPT2Tokenizer.from_pretrained(model_name)
model = GPT2LMHeadModel.from_pretrained(model_name)
def generate_text(prompt, max_length=100):
inputs = tokenizer.encode(prompt, return_tensors="pt")
outputs = model.generate(inputs, max_length=max_length, num_return_sequences=1)
return tokenizer.decode(outputs[0], skip_special_tokens=True)
# 结合检索文档生成推荐内容
prompt = "Based on your interest in machine learning and AI, I recommend: " + " ".join(retrieved_docs)
recommendation = generate_text(prompt)
print(recommendation)
将检索和生成结合起来,构建一个简单的内容推荐系统:
def recommend_content(user_history):
all_recommendations = []
for history in user_history:
retrieved_docs = retrieve(history)
prompt = "Based on your interest, I recommend: " + " ".join(retrieved_docs)
recommendation = generate_text(prompt)
all_recommendations.append(recommendation)
return all_recommendations
# 生成推荐内容
recommendations = recommend_content(user_history)
for rec in recommendations:
print(rec)
小结
本文提供了一个简单的实践示例,通过TF-IDF检索和GPT生成模型实现了一个基本的内容推荐系统。
展望 RAG ,它使得内容更准确、丰富,能够通过精准推荐,获取用户信任感,也适用于多场景,可能需要提升的点在于如何提升检索模型的效率、在复杂模型下,如何确保生成模型的稳定,以及多模态融合等等。。。
如何学习AI大模型?
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓