Descarga de Vector Search RaG - Vector Search RaG Código fuente de descarga

Vector Search RaG

Otro código fuente

1.0.0

Descargar

? Sistema de trapo de búsqueda de vectores

Un sofisticado sistema de recomendación de películas que utiliza capacidades de búsqueda de vectores y trapo (generación aumentada de recuperación), impulsada por los transformadores de oraciones de Huggingface y el atlas de MongoDB.

? Características

Búsqueda semántica : utiliza incrustaciones de oraciones para búsquedas de películas significativas
Base de datos vectorial : aprovecha las capacidades de búsqueda de vectores de MongoDB Atlas
Procesamiento en tiempo real : genere integridades sobre la marcha utilizando la API de Huggingface
Recuperación eficiente : recomendaciones de películas rápidas y precisas basadas en descripciones de la trama

Estructura de proyectos

 Vector-Search-RaG/
├── apps/
│   └── semantic_search/
│       ├── __init__.py
│       ├── hf_connection.py    # HuggingFace API connection
│       ├── mongo_connection.py # MongoDB connection handler
│       └── movie_recs.py      # Movie recommendation logic
├── ragenv/                    # Virtual environment
├── LICENSE
└── README.md

Empezando

Requisitos previos

Python 3.8 o superior
Cuenta de Atlas de MongoDB
Token de API de Huggingface
Pip (Python Package Manager)

Configuración del medio ambiente

Clon el repositorio:

git clone https://github.com/yourusername/Vector-Search-RaG.git
cd Vector-Search-RaG

Crear y activar el entorno virtual:

python -m venv ragenv
source ragenv/bin/activate  # On Windows: ragenvScriptsactivate

Instalar dependencias:

pip install pymongo requests python-decouple

Cree un archivo .env en el directorio raíz con sus credenciales:

 MONGODB_URI = your_mongodb_connection_string
HUGGING_FACE_TOKEN = your_huggingface_token

Componentes de configuración

Conexión HuggingFace ( `hf_connection.py` )

Administra conexiones con la API de Huggingface
Utiliza el modelo sentence-transformers/all-MiniLM-L6-v2 para generar integridades
Maneja la autenticación de la API y el manejo de errores

Conexión MongoDB ( `mongo_connection.py` )

Establece una conexión segura con MongoDB Atlas
Implementa la seguridad de TLS
Incluye validación de conexión y manejo de errores

Recomendaciones de películas ( `movie_recs.py` )

Implementa la funcionalidad de búsqueda vectorial
Procesa consultas de películas y genera recomendaciones
Incluye servicios públicos para obtener y actualizar los datos de las películas

? Uso

Ejemplo de búsqueda básica

 from apps . semantic_search . movie_recs import search_movies

# Search for movies with a specific plot description
query = "A group of bandits stage a brazen train hold-up"
search_movies ( query )

Actualizar datos de la película

 from apps . semantic_search . movie_recs import fetch_and_update_movies

# Fetch and update movie information
fetch_and_update_movies ()

Detalles de búsqueda de vectores

El sistema utiliza la agregación $vectorSearch de MongoDB para la búsqueda semántica:

Genera incrustaciones utilizando el transformador de oraciones de Huggingface
Búsquedas contra incrustaciones de trama precomputadas almacenadas en MongoDB
Devuelve las películas más semánticamente similares basadas en descripciones de la trama

Características de seguridad

Cifrado TLS para conexiones MongoDB
Manejo de token API seguro a través de variables de entorno
Validación de certificado para conexiones seguras

️ Notas importantes

Asegúrese de que su clúster MongoDB Atlas tenga habilitado la capacidad de búsqueda vectorial
La API de Huggingface tiene límites de velocidad: considere implementar almacenamiento en caché para el uso de producción
Mantenga su archivo .env seguro y nunca lo comprometa al control de versiones

? Consideraciones de rendimiento

El sistema utiliza numCandidates: 100 para una amplia cobertura de búsqueda
Los resultados se limitan a 4 películas por consulta para un tiempo de respuesta óptimo
Índice de búsqueda vectorial "PlotSemanticSearch" debe configurarse correctamente en MongoDB