langchain_community.embeddings.text2vec.Text2vecEmbeddings

class langchain_community.embeddings.text2vec.Text2vecEmbeddings

基础：Embeddings，BaseModel

text2vec 嵌入式模型。

首先安装 text2vec，运行 ‘pip install -U text2vec’。text2vec 的 GitHub 仓库为：https://github.com/shibing624/text2vec

示例

from langchain_community.embeddings.text2vec import Text2vecEmbeddings

embedding = Text2vecEmbeddings()
embedding.embed_documents([
    "This is a CoSENT(Cosine Sentence) model.",
    "It maps sentences to a 768 dimensional dense vector space.",
])
embedding.embed_query(
    "It can be used for text matching or semantic search."
)

param device: Optional[str] = None

param encoder_type: Any = 'MEAN'

param max_seq_length: int = 256

param model : Any = None

param model_name_or_path: Optional[str] = None

async aembed_documents(texts: List[str]) → List[List[float]]

异步嵌入搜索文档。

参数

texts (List[str]) – 要嵌入的文本列表。

返回

嵌入列表。

返回类型

List[List[float]]

异步 aembed_query(text: str) → List[float]

异步嵌入文本查询。

参数

text (str) – 要嵌入的文本。

返回

嵌入操作。

返回类型

浮点数列表

embed_documents(texts: List[str]) → List[List[float]]

使用text2vec嵌入模型对文档进行嵌入。

参数

texts (字符串列表) – 要嵌入的文本列表。

返回

每个文本的嵌入列表。

返回类型

List[List[float]]

embed_query(text: str) → List[float]

使用text2vec嵌入模型嵌入查询。

参数

text (str) – 要嵌入的文本。

返回

文本的嵌入。

返回类型

浮点数列表