Chromadb词向量数据库总结

简介

Chroma 词向量数据库是一个用于自然语言处理（NLP）和机器学习的工具，它主要用于词嵌入（word embeddings）。词向量是将单词转换为向量表示的技术，可以捕获单词之间的语义和语法关系，使得计算机能够更好地理解和处理自然语言。

Chroma 词向量数据库的主要功能和用途包括：

1. 语义表示和相似度计算： 将单词转换为向量表示后，可以计算单词之间的相似度，找到在语义上相关的单词，从而支持词义的推断和理解。

2. 词语聚类和分类： 使用词向量可以对单词进行聚类或分类，将具有相似含义的单词归为一类，从而帮助组织和理解词汇。

3. 文本分类和情感分析： 词向量可以作为文本分类和情感分析任务的特征表示，有助于机器学习模型更好地理解文本内容和推断情感倾向。

4. 推荐系统： 在推荐系统中，词向量可以用于理解用户的偏好和内容的语义，从而提供更准确的推荐。

5. 语言生成和机器翻译： 词向量在语言生成和机器翻译任务中也有广泛应用，可以帮助模型生成更连贯和语义合理的文本。

Chroma 词向量数据库可能提供多种预训练模型，这些模型可以根据需求进行选择和应用，以支持各种自然语言处理任务。总的来说，它为研究人员和开发者提供了一个有用的工具，使他们能够利用词向量来处理自然语言数据并改善各种NLP任务的性能。

代码实践

安装chromadb

pip install chromadb

创建chromadb

import chromadb
chroma_client = chromadb.Client()

或者， 你想要把数据存放在磁盘上。

chroma_client = chromadb.PersistentClient(path="data")

创建collection

collection是您存储嵌入、文档以及任何额外元数据的地方。您可以使用名称创建一个collection.

collection = chroma_client.create_collection(name="my_collection")

或者

collection = chroma_client.get_or_create_collection(name="my_collection")

存储embedding, 文本，元数据，和id,

collection.add(
    embeddings=[[1.2, 2.3, 4.5], [6.7, 8.2, 9.2]],
    documents=["This is a document", "This is another document"],
    metadatas=[{"source": "my_source"}, {"source": "my_source"}],
    ids=["id1", "id2"]
)

根据词嵌入取数据

results = collection.query(
        query_embeddings=[[1.2, 2.3, 4.5]],
        n_results=2
    )

根据词嵌入和关键字取数据

results = collection.query(
        query_embeddings=[[1.2, 2.3, 4.5]],
        where_document={"$contains": "another"}
        n_results=2
    )

根据id取数据

results = collection.get(
        ids=["id1"]
    )

默认Chroma使用hugggingface里的all-MiniLM-L6-v2作为词向量模型。支持以下词向量模型

如果你不想要，直接用你自己的模型，就是在存数据之前调用你的模型把文本转成词向量。

比如我用tensorflowhub里面的。

nnlm | Kaggle

import tensorflow as tf
import tensorflow_hub as hub

def get_vectors(docs):
    url = "./ml/nnlm_embedding"
    s_embedding = hub.KerasLayer(url, input_shape=[], dtype=tf.string)
    doc_vectors = s_embedding(docs)
    return doc_vectors

参考

Getting Started | Chroma