beyond_vector_search

Más allá de la búsqueda de vectores
Vector híbrido/motor de consulta de gráficos de conocimiento para recuperación de datos mejorada

Instalación

Utilizamos Python == 3.9.18, y recomendamos usar un entorno virtual para instalar los paquetes requeridos.

 pip install -r requirements.txt

Creación de datos filtrados

• notebooks/parsing_json.ipynb : Filtro de datos para ARXIV
• notebooks/parsing_cnn_news.ipynb : Filtro de datos para noticias CNN
• notebooks/parsing_wiki_movies.ipynb : Filtro de datos para películas wiki

Conjunto de datos

Utilizamos un subconjunto del conjunto de datos ARXIV de Kaggle que contiene 12,926 muestras, y el archivo Pickle se proporciona en "beyond_vector_search/data/filtred_data.pickle".

Código fuente

 make_vectordb.py: a script to build a vector database from a "data/filtered_data.pickle"

utils/
    - build_graph.py: a script containing helper functions for building the knowledge graph
    - parse_arxiv.py: a script containing helper functions for parsing the arxiv dataset
vector_graph/
    - bipartite_graph_dict.py: A custom implementation of the bipartite graph
    - bipartite_graph_networkx.py: An experimental implementation of the bipartite graph using networkx
    - embedding_models.py: A custom implementation of the embedding models for generating the text embeddings
workloads
    - keyword_extractor.py
    - query_gen.py: A script for generating the text queries given paper data points
    - workload_gen.sh: This is the script for generating the workloads we described in the report
testing
    - inference.py: A script for executing our various search query engines on the generated workloads
zy_testing
    - compute_metrics_cos.py: A script for computing the accuracy of our results utilizing various performance compute_metrics_cos