嵌入模型(Embeddings)

介绍

嵌入技术是一种将高维的离散数据映射到低维连续向量空间的方法。这种映射保留了数据之间的语义关系,使得大模型能过够很容易的理解和处理这些数据。通过嵌入,我们可以把复杂的文本信息转换为计算机可以处理的向量形式。

国内可选择的嵌入模型

ChatGLM的Embedding-v2
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="Embedding-2")
文心一言的QianfanEmbeddingsEndpoint
from langchain_community.embeddings import QianfanEmbeddingsEndpoint

embeddings = QianfanEmbeddingsEndpoint() # 默认用Embedding-V1模型
通义千问嵌入模型DashScopeEmbeddings
from langchain_community.embeddings import DashScopeEmbeddings

embeddings = DashScopeEmbeddings() # 默认用text-embedding-v1模型
百川嵌入模型BaichuanTextEmbeddings
from langchain_community.embeddings import BaichuanTextEmbeddings

embeddings = BaichuanTextEmbeddings() # 默认使用Baichuan-Text-Embedding模型
星火嵌入模型
from langchain_community.embeddings import SparkLLMTextEmbeddings

embeddings = SparkLLMTextEmbeddings()
  • 3
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
embedding通常是指将高维的数据转换为低维度的表示形式的技术。在自然语言处理中,embeddings被用来表示文本、词语或句子的语义信息。其中,contextual embedding是一种可以根据上下文理解词语含义的方法,比如ELMo和BERT等模型。这些模型通过考虑词语的上下文关系,提供了更准确且具有语义信息的嵌入表示。 除了contextual embedding外,还有其他方法来生成embeddings。例如,引入外部语料库知识比如WordNet,并利用其提取出与未见词语义相似的词来生成未见词的嵌入表示。这些方法假设底层词汇资源已经覆盖了未见词,但这并不一定是真实情况。 总的来说,embedding是将大型稀疏矢量映射到低维空间的技术,以保留语义关系。通过使用嵌套,我们可以将复杂的数据表示转化为更简洁且有意义的表示形式,便于后续的分析和应用。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [A Survey on Contextual Embeddings.pdf](https://download.csdn.net/download/wilosny518/13077711)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [自然语言处理中的embeddings](https://blog.csdn.net/u013596454/article/details/120544014)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [嵌套(Embeddings)](https://blog.csdn.net/qq_38382642/article/details/103177452)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值