Model Embeddingowy

term_id: embedding_model

Category: application_paradigms

Definition

Modele te mapują dane o wysokiej wymiarowości do niższymiarowej, ciągłej przestrzeni wektorowej, gdzie podobne elementy znajdują się bliżej siebie. Ta transformacja wychwytuje relacje semantyczne, umożliwiając efektywne wyszukiwanie i porównywanie danych.

Summary

Model embeddingowy przekształca surowe dane, takie jak tekst czy obrazy, w gęste wektory liczbowe reprezentujące znaczenie semantyczne.

Key Concepts

  • Reprezentacja wektorowa
  • Podobieństwo semantyczne
  • Redukcja wymiarowości
  • Ekstrakcja cech

Use Cases

  • Budowanie silników wyszukiwania semantycznego
  • Systemy rekomendacyjne dla produktów lub treści
  • Grupowanie (clustering) podobnych dokumentów lub obrazów

Code Example

from transformers import AutoTokenizer, AutoModel
import torch

model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')
inputs = tokenizer('Hello world', return_tensors='pt')
embeddings = model(**inputs).last_hidden_state.mean(dim=1)

Powiązane