知识图谱操作（一）Neo4j储存基于实体和关系的知识图谱

可视化问答系统的向量化是非常重要的一环.

可视化问答系统数据库的向量化主要考虑将数据预处理部分得到的纯txt文件通过faiss向量库标准化为向量以便后续进行RAG增强检索.

Faiss向量化的基本步骤：

• 文本向量化：将查询文本转换为向量形式，以便与存储在Faiss数据库中的向量进行比较。
• 相似度搜索：在Faiss数据库中搜索与查询向量最相似的向量。
• 返回结果：根据搜索结果返回对应的文档或信息。

文本嵌入

首先需要使用Embedding模型将文本转化为嵌入向量, 才能在后续将这些向量存储到向量库中.

为什么使用Embedding模型对文本数据进行处理?

• Embedding将高维度、非结构化的文本转换为固定维度的向量表示，从而便于计算和分析。
• Embedding模型通过在大规模语料库上进行训练，能够捕捉词汇和句子之间的语义关系，使得相似含义的文本在向量空间中距离更近。这种向量化表示不仅简化了文本处理的复杂性，还能显著提高后续任务（如文本分类、聚类和搜索）的效率和准确性。

代码示例 （使用sentence-transformer库）

使用Embedding模型：all-MiniLM-L6-v2

该模型基于微软的 MiniLM 架构， 是一种轻量级、低延迟的语言模型，专门设计用于高效的文本嵌入生成。

all-MiniLM-L6-v2 是一个双塔模型，包含 6 层 Transformer 网络，能够将句子或文本片段编码为固定大小的高维向量（嵌入向量）。

这些向量保留了文本的语义信息，使得相似含义的句子在向量空间中距离更近。该模型在大规模多语料库上进行了预训练，具备较强的跨领域和跨语言的适应能力。

all-MiniLM-L6-v2 的参数量较少，因此在计算资源有限的环境中也能高效运行。它在嵌入质量和计算速度之间提供了良好的权衡，非常适合需要快速生成高质量文本嵌入的应用场景，如语义搜索、文本聚类和文本分类等。通过使用 all-MiniLM-L6-v2，开发者可以在保持高精度的同时，实现高效的文本处理和相似性计算。