superlinked下載 - superlinked源代碼下載

superlinked

其他源碼

v17.8.0

下載

超級鏈接是AI工程師建立高性能搜索和建議應用程序的Python框架，這些應用程序結合了結構化和非結構化數據。檢查文檔以開始。

概述

原因：通過將元數據用非結構化的數據編碼為向量來提高矢量搜索相關性。
內容：連接您的數據，矢量數據庫和後端服務的框架和一個自託管REST API服務器。
如何：從sentence-transformers ， open-clip和自定義編碼器中構建自定義數據和查詢嵌入模型，以獲取數字，時間戳和分類數據。有關示例，請參見下面的功能和用例筆記本。

如果您喜歡我們的工作，請給我們一顆星星！

特徵

嵌入結構化和非結構化數據（文本|圖像|數字|類別|時間|事件）
結合編碼器來構建自定義模型（筆記本）
添加自定義編碼器（筆記本）
通過行為事件和關係更新您的向量（筆記本）
使用查詢時間重量（筆記本）
用自然語言查詢（筆記本）
過濾您的結果（筆記本）
分析的導出向量（筆記本）
將文本或圖像嵌入到多模式矢量空間中（筆記本）

您可以查看我們的功能和概念的完整列表。

用例

深入了解每個用例如何從超級鏈接的框架中受益。

抹布：HR知識庫
語義搜索：電影，商業新聞，產品圖像和描述
推薦系統：電子商務
分析：用戶獲取，關鍵字擴展

您可以在此處查看示例的完整列表。

筆記本中的實驗

讓我們構建一個電子商務產品搜索，以了解產品描述和評級：

安裝超連接庫

 %pip install superlinked

運行以下示例：

首次運行將需要一分鐘才能下載嵌入式模型。

 import json
import os

from superlinked import framework as sl


class Product ( sl . Schema ):
    id : sl . IdField
    description : sl . String
    rating : sl . Integer


product = Product ()

description_space = sl . TextSimilaritySpace (
    text = product . description , model = "Alibaba-NLP/gte-large-en-v1.5"
)
rating_space = sl . NumberSpace (
    number = product . rating , min_value = 1 , max_value = 5 , mode = sl . Mode . MAXIMUM
)
index = sl . Index ([ description_space , rating_space ], fields = [ product . rating ])


# Define your query and parameters to set them directly at query-time
# or let an LLM fill them in for you using the `natural_language_query` param.
# Don't forget to set your OpenAI API key to unlock this feature.
query = (
    sl . Query (
        index ,
        weights = {
            description_space : sl . Param ( "description_weight" ),
            rating_space : sl . Param ( "rating_weight" ),
        },
    )
    . find ( product )
    . similar (
        description_space ,
        sl . Param (
            "description_query" ,
            description = "The text in the user's query that refers to product descriptions." ,
        ),
    )
    . limit ( sl . Param ( "limit" ))
    . with_natural_query (
        sl . Param ( "natural_language_query" ),
        sl . OpenAIClientConfig ( api_key = os . environ [ "OPEN_AI_API_KEY" ], model = "gpt-4o" )
    )
)

# Run the app in-memory (server & Apache Spark executors available too!).
source = sl . InMemorySource ( product )
executor = sl . InMemoryExecutor ( sources = [ source ], indices = [ index ])
app = executor . run ()


# Ingest data into the system - index updates and other processing happens automatically.
source . put ([
    {
        "id" : 1 ,
        "description" : "Budget toothbrush in black color. Just what you need." ,
        "rating" : 1 ,
    },
    {
        "id" : 2 ,
        "description" : "High-end toothbrush created with no compromises." ,
        "rating" : 5 ,
    },
    {
        "id" : 3 ,
        "description" : "A toothbrush created for the smart 21st century man." ,
        "rating" : 3 ,
    },
])

result = app . query ( query , natural_query = "best toothbrushes" , limit = 1 )

# Examine the extracted parameters from your query
print ( json . dumps ( result . knn_params , indent = 2 ))

# The result is the 5-star rated product.
result . to_pandas ()