Embeddings-OpenAI API系统快速入门
什么是嵌入？
OpenAI的文本嵌入衡量文本字符串的相关性。嵌入通常用于：
- 搜索（其中结果按与查询字符串的相关性排名）
- 聚类（其中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项目）
- 异常检测（识别出相关性不大的异常值）
- 多样性测量（分析相似性分布）
- 分类（其中文本字符串按其最相似的标签分类）
嵌入是浮点数的向量（列表）。两个向量之间的距离衡量它们的相关性。小距离表示高相关性，大距离表示低相关性。
如何获取嵌入
要获取嵌入，请将文本字符串发送到嵌入 API 终结点，同时选择嵌入模型 ID（例如，）。响应将包含一个嵌入，您可以提取、保存和使用嵌入。text-embedding-ada-002
示例请求：
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
}
}在OpenAI Cookbook 中查看更多 Python 代码示例。
使用 OpenAI 嵌入时，请记住它们的局限性和风险。
嵌入模型
OpenAI 提供 1 个第二代嵌入模型（用模型 ID 表示）和 16 个第一代模型（用模型 ID 表示）。-002-001
我们建议对几乎所有用例使用文本嵌入-ada-002。它更好、更便宜、更易于使用。阅读博客文章公告。
| 模型生成 | 分词器 | 最大输入令牌数 | 知识截止 |
|---|---|---|---|
| V2 版 | cl100k_base | 8191 | 2021 年 9 月 |
| V1 版 | GPT-2/GPT-3 | 2046 | 2020 年 8 月 |
使用量按每个输入令牌定价，费率为每 1000 个令牌 0.0004 USD，或每美元约 ~3，000 页（假设每页 ~800 个令牌）：
| 型 | 每美元粗略页数 | BEIR搜索评估中的示例性能 |
|---|---|---|
| 文本嵌入-ADA-002 | 3000 | 53.9 |
| *-达芬奇-*-001 | 6 | 52.8 |
| *-居里-*-001 | 60 | 50.9 |
| *-巴贝奇-*-001 | 240 | 50.4 |
| *-阿达-*-001 | 300 | 49.0 |
第二代车型
| 型号名称 | 分词器 | 最大输入令牌数 | 输出尺寸 |
|---|---|---|---|
| 文本嵌入-ADA-002 | cl100k_base | 8191 | 1536 |
使用案例
在这里，我们展示了一些具有代表性的用例。对于以下示例，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 568，454 条食品评论。我们将使用 1，000 条最新评论的子集进行说明。评论是英文的，往往是正面或负面的。每条评论都有一个产品 ID、用户 ID、分数、评论标题（摘要）和评论正文（文本）。例如：
我们将评论摘要和评论文本合并为一个组合文本。该模型将对此组合文本进行编码并输出单个向量嵌入。
Obtain_dataset.ipynbdef 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)要从保存的文件加载数据，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)限制与风险
在某些情况下，我们的嵌入模型可能不可靠或构成社会风险，并且在没有缓解措施的情况下可能会造成伤害。
社会偏见
局限性：这些模型编码社会偏见，例如通过对某些群体的刻板印象或负面情绪。
我们通过运行SEAT（May等人，2019）和Winogender（Rudinger等人，2018）基准测试在我们的模型中发现了偏见的证据。这些基准共同由 7 个测试组成，用于衡量模型在应用于性别名称、区域名称和一些刻板印象时是否包含隐性偏见。
例如，我们发现，与非裔美国人的名字相比，我们的模型更强烈地将（a）欧洲裔美国人的名字与积极的情绪联系起来，（b）消极的刻板印象与黑人女性联系起来。
这些基准在几个方面受到限制：（a）它们可能无法推广到您的特定用例，以及（b）它们仅测试一小部分可能的社会偏见。
这些测试是初步的，我们建议针对您的特定用例运行测试。这些结果应被视为该现象存在的证据，而不是您的用例的明确特征。请参阅我们的使用政策以获取更多详细信息和指导。
如果您有任何疑问，请通过聊天联系我们的支持团队;我们很乐意就此提供建议。
对最近发生的事件视而不见
限制：模型缺乏对 2020 年 8 月之后发生的事件的了解。
我们的模型在包含截至 2020 年 8 月的真实世界事件的一些信息的数据集上进行训练。如果您依赖代表最近事件的模型，那么它们可能无法很好地执行。
常见问题
在嵌入字符串之前，如何判断字符串有多少个标记？
在Python中，你可以使用OpenAI的tokenizertiktoken将字符串拆分为代币。
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")对于第二代嵌入模型，例如，请使用编码。text-embedding-ada-002cl100k_base
更多详细信息和示例代码在 OpenAI 食谱指南如何使用tiktoken 计算代币。
如何快速检索 K 最近的嵌入向量？
为了快速搜索多个载体，我们建议使用矢量数据库。您可以在 GitHub 上的食谱中找到使用矢量数据库和 OpenAI API 的示例。
矢量数据库选项包括：
- 松果，一个完全托管的载体数据库
- Weaviate，一个开源的矢量搜索引擎
- Faiss，Facebook的矢量搜索算法
- 作为矢量数据库的 Redis
- Qdrant，一个矢量搜索引擎
- Typesense，开源搜索引擎，带矢量搜索
我应该使用哪种距离函数？
我们建议余弦相似性。距离函数的选择通常并不重要。
OpenAI 嵌入被规范化为长度 1，这意味着：
- 余弦相似性的计算速度稍快，只需使用点积即可
- 余弦相似性和欧几里得距离将导致相同的排名
