如何将文本转换为向量？(方法二)

本文介绍如何通过ModelScope魔搭社区中的文本向量开源模型将 文本转换为向量 ，并入库至向量检索服务 DashVector 中进行向量检索。

ModelScope魔搭社区旨在打造下一代开源的模型即服务共享平台，为泛 AI 开发者提供灵活、易用、低成本的一站式模型服务产品，让模型应用更简单。

ModelScope 魔搭社区的愿景是汇集行业领先的预训练模型，减少开发者的重复研发成本，提供更加绿色环保、开源开放的 AI 开发环境和模型服务，助力绿色"数字经济"事业的建设。 ModelScope 魔搭社区将以开源的方式提供多类优质模型，开发者可在平台上免费体验与下载使用。

在 ModelScope 魔搭社区，您可以：

• 免费使用平台提供的预训练模型，支持免费下载运行

• 一行命令实现模型预测，简单快速验证模型效果

• 用自己的数据对模型进行调优，定制自己的个性化模型

• 学习系统性的知识，结合实训，有效提升模型研发能力

• 分享和贡献你的想法、评论与模型，让更多人认识你，在社区中成长

前提条件

• DashVector：

• 已创建 Cluster：[创建 Cluster]

• 已获得 API-KEY：[API-KEY 管理]

• 已安装最新版 SDK：[安装 DashVector SDK]

• ModelScope：

• 已安装最新版 SDK：pip install -U modelscope
  

CoROM 文本向量

简介

说明

关于 CoROM 文本向量模型更多信息请参考：CoROM文本向量

使用示例

说明

需要进行如下替换代码才能正常运行：

1. DashVector api-key 替换示例中的{your-dashvector-api-key}

2. DashVector Cluster Endpoint 替换示例中的{your-dashvector-cluster-endpoint}

3. 使用上表中 模型 ID 替换示例中的{model_id}

4. 需注意，若所使用的模型若为 tiny 模型，则向量维度为 256

Python

from modelscope.pipelines import pipelinefrom modelscope.utils.constant import Tasksfrom typing import Listfrom dashvector import Client

pipeline_se = pipeline(Tasks.sentence_embedding, model='{model_id}')

def generate_embeddings(texts: List[str]):    inputs = {'source_sentence': texts}    result = pipeline_se(input=inputs)    return result['text_embedding']

########### 以下为通用示例：向量入库DashVector和向量检索代码参考############ 创建DashVector Clientclient = Client(    api_key='{your-dashvector-api-key}',    endpoint='{your-dashvector-cluster-endpoint}')
# 创建DashVector Collection# 注意：需根据模型对应向量维度调整dimension参数rsp = client.create('CoROM-text-embedding', dimension=768)assert rspcollection = client.get('CoROM-text-embedding')assert collection
# 向量入库DashVectorcollection.insert(    ('ID1', generate_embeddings(['阿里云向量检索服务DashVector是性能、性价比具佳的向量数据库之一'])[0]))
# 向量检索docs = collection.query(    generate_embeddings(['The best vector database'])[0])print(docs)

GTE 文本向量

简介

说明

关于 GTE 文本向量模型更多信息请参考：GTE文本向量

使用示例

本模型使用示例同[CoROM 文本向量-使用示例]，进行相应 模型 ID 和 向量维度 替换即可运行。

Udever 多语言通用文本表示模型

简介

说明

关于 Udever 多语言通用文本表示模型更多信息请参考：Udever 多语言通用文本表示模型

使用示例

本模型使用示例同[CoROM 文本向量-使用示例]，进行相应 模型 ID 和 向量维度 替换即可运行。

StructBERT FAQ 问答

简介

说明

关于 StructBERT FAQ 问答模型更多信息请参考：StructBERT FAQ问答

使用示例

说明

需要进行如下替换代码才能正常运行：

1. 使用上表中 模型 ID 替换示例中的{model_id}

Python

from modelscope.pipelines import pipelinefrom modelscope.utils.constant import Tasksfrom typing import List
pipeline = pipeline(Tasks.faq_question_answering, model='{model_id}')

def generate_embeddings(texts: List[str], max_len=30):    return pipeline.get_sentence_embedding(texts)

说明

本示例中，向量入库 DashVector 和向量检索代码，参考[CoROM 文本向量-使用示例]中的通用示例部分

更多文本向量模型

说明

1. 列表中模型示例同[CoROM 文本向量-使用示例]，进行相应 模型 ID 和 向量维度 替换即可运行

2. 更多 ModelScope 社区中的开源文本向量模型在本文中不再一一列举，更多文本向量模型待您探索、发现和共建，点击进入。