什么是Embedding？
Embedding是一种多维向量数组，由一系列数字组成，可以代表任何事物，如文本、音乐、视频等。在这里我们将重点关注文本部分。Embedding之所以重要，是因为它让我们可以进行语义搜索，也就是通过文本的含义进行相似性检索。
为什么Embedding在AI中如此重要？
Embedding在AI中的重要性在于，它可以帮助我们解决LLM的tokens长度限制问题。通过使用Embedding，我们可以在与LLM交互时，仅在上下文窗口中包含相关的文本内容，从而不会超过tokens的长度限制。
如何将Embedding与LLM结合？
我们可以利用Embedding，在和LLM交互时，仅包含相关的文本内容。具体操作方法是，首先将文本内容分块并转换为向量数组，然后将其存储在向量数据库中。在回答问题时，我们可以使用相似性搜索将问题向量与文档向量进行比较，找到最相关的文本块，然后将这些文本块与问题一起输入到LLM中，得到准确的回答。
举例来说
我们可以利用Embedding，在和LLM交互时，仅包含相关的文本内容。以一个巨大的书籍PDF文件为例，假设这是一本讲述人类历史的书籍。我们希望从中提取关于某个重要历史人物的信息，但不想阅读整个文件。
具体操作方法是：
- 将PDF文件的文本内容分块。
- 使用Embedding模型将每个文本块转换为向量数组。
- 将这些向量数组存储在向量数据库中，同时保存向量数组与文本块之间的关系。
当我们需要回答关于该PDF文件的问题时，例如：“作者对xxx人物的看法是什么？”我们可以：
- 使用Embedding模型将问题转换为向量数组。
- 使用相似性搜索（如，chatGPT推荐的余弦相似度）将问题向量与PDF文件的向量进行比较，找到最相关的文本块。
- 将找到的最相关文本块与问题一起输入到LLM（如GPT-3）中，得到准确的回答。
通过这种方法，我们可以将Embedding与LLM结合，实现高效的文本搜索和问答功能。目前比较火的类chatPDF、以及文档问答产品都采用类似的技术。
产品案例
开源fireBase解决方案SupBase二月份时就推出了一款基于chatGPT API的，支持问答的文档系统（https://supabase.com/blog/chatgpt-supabase-docs）
其中就对这个文档系统的技术路径进行了相应的描述：
一些值得参考的资料
- https://openai.com/blog/introducing-text-and-code-embeddings （主要是关于基于embedding的文本与代码搜索的）
- https://github.com/openai/openai-cookbook/blob/main/examples/Question_answering_using_embeddings.ipynb (openAI提供的jupyter基于embedding的QA代码示例)
- https://supabase.com/blog/chatgpt-supabase-docs
- 详细内容会同步至微信公众号(Hobbes View)
内容来源于网络如有侵权请私信删除
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
