OpenAI Docs Guides Embeddings

学习如何将文本转换为数字，从而解锁搜索等应用场景。

新的嵌入模型 text-embedding-3-small和text-embedding-3-large是我们最新且性能最强的嵌入模型，现在已经可用，具有更低的成本、更高的多语言性能，以及用于控制整体规模的新参数。

什么是嵌入(embeddings)？

OpenAI的文本嵌入用于衡量文本字符串之间的相关性。嵌入通常用于以下场景：

搜索(Search)： 根据与查询字符串的相关性对结果进行排序。
聚类(Clustering)： 按相似性将文本字符串分组。
推荐(Recommendations)： 推荐具有相关文本字符串的项目。
异常检测(Anomaly detection)： 识别相关性较低的异常值。
多样性测量(Diversity measurement)： 分析相似性分布。
分类(Classification)： 根据最相似的标签对文本字符串进行分类。

嵌入是一个浮点数向量（列表）。两个向量之间的距离衡量它们的相关性。较小的距离表明较高的相关性，而较大的距离表明相关性较低。

访问我们的定价页面了解嵌入的定价。请求的费用根据输入(input)中的token数量计算。

如何获取嵌入

要获取嵌入，您可以将文本字符串和嵌入模型名称（例如，text-embedding-3-small）一起发送到嵌入API端点。响应将包含一个嵌入（浮点数列表），您可以提取该嵌入，将其保存在向量数据库中，并用于许多不同的应用场景。

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-3-small"
  }'

响应将包含嵌入向量以及一些额外的元数据。

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [
        -0.006929283495992422,
        -0.005336422007530928,
        ... (omitted for spacing)
        -4.547132266452536e-05,
        -0.024047505110502243
      ],
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 5,
    "total_tokens": 5
  }
}

默认情况下，text-embedding-3-small的嵌入向量长度为1536，text-embedding-3-large的嵌入向量长度为 3072。您可以通过传递维度(dimensions)参数来减少嵌入的维度，而不会失去嵌入的概念表示属性。我们在嵌入使用案例部分中对嵌入维度进行了更详细的介绍。

嵌入模型

OpenAI提供了两种强大的第三代嵌入模型（在模型ID中以-3表示）。您可以阅读 embedding v3 公告博客文章了解更多详情。

使用费用按输入token数计算。以下是每美元可处理文本页数的示例（假设每页约800个token）：

Model	~ Pages per dollar	Performance on MTEB eval	Max input
text-embedding-3-small	62,500	62.3%	8191
text-embedding-3-large	9,615	64.6%	8191
text-embedding-ada-002	12,500	61.0%	8191

使用场景

这里展示了一些代表性的使用场景。我们将使用亚马逊美食品评论数据集进行以下示例。

获取嵌入
基于嵌入的搜索进行问答
使用嵌入进行文本搜索
使用嵌入进行代码搜索
使用嵌入进行推荐
二维数据可视化
嵌入作为机器学习算法的文本特征编码器
使用嵌入特征进行分类
零样本分类
获取用户和产品嵌入以解决冷启动推荐问题
聚类

FAQ

如何在嵌入字符串之前知道它有多少个token？

在Python中，你可以使用OpenAI的分词器tiktoken将字符串分割成token。示例代码：

import tiktoken

def num_tokens_from_string(string: str, encoding_name: str) -> int:
    """返回文本字符串中的token数量。"""
    encoding = tiktoken.get_encoding(encoding_name)
    num_tokens = len(encoding.encode(string))
    return num_tokens

num_tokens_from_string("tiktoken is great!", "cl100k_base")

对于第三代嵌入模型如text-embedding-3-small，使用cl100k_base编码。更多细节和示例代码可以在OpenAI Cookbook指南中的"如何使用tiktoken计算token“部分找到。

如何快速检索K个最近的嵌入向量？

为了快速搜索大量向量，我们推荐使用向量数据库。你可以在我们GitHub上的Cookbook中找到使用向量数据库和OpenAI API的例子。

我应该使用哪种距离函数？

我们推荐使用余弦相似度cosine similarity。距离函数的选择通常不太重要。

OpenAI的嵌入向量已经标准化为长度1，这意味着：

余弦相似度可以仅使用点积稍快地计算
余弦相似度和欧几里得距离将得到相同的排序结果

我可以在线分享我的嵌入吗？

是的，客户拥有他们输入和输出到我们模型的内容，包括嵌入的情况。你有责任确保你输入到我们API的内容不违反任何适用法律或我们的使用条款。

V3嵌入模型知道最近的事件吗？

不，text-embedding-3-large和text-embedding-3-small模型缺乏2021年9月之后发生的事件的知识。这通常不像对文本生成模型那样是一个限制，但在某些边缘情况下可能会降低性能。

原文链接

https://platform.openai.com/docs/guides/embeddings