使用PHP和Redis向量数据库基于ChatGPT实现文本搜索引擎

PHP技术
469
0
0
2024-03-02
PHPStan ：PHP静态代码质量分析工具
上一篇
php中的双引号与单引号的基本使用
下一篇
标签   Redis ChatGPT
简单原理：使用 ChatGPT enbedding，对现有的数据文档，将文本转换为向量，进行矢量化处理，并存入Redis向量数据库，实现向量相似度搜索。新的提问过来，先使用 ChatGPT enbedding 处理一次，然后根据Redis向量数据库提供的相似性搜索，找到匹配的答案。

ChatGPT Embeddings是什么？

Embeddings是一种将文本转换为数值向量的技术，它可以让计算机更好地理解和处理自然语言。Embeddings可以将每个单词或者每个句子映射到一个高维空间中的一个点，这个点的坐标就是该单词或句子的向量。

Embeddings可以保留文本中的语义、语法和情感信息，使得具有相似含义或相似用法的单词或句子在空间中距离较近，而具有不同含义或不同用法的单词或句子在空间中距离较远，从而生成更加丰富和准确的向量。

ChatGPT Embeddings指的是通过使用ChatGPT或类似的语言模型生成的数值化表示，这些表示捕捉了文本数据的语义信息。Embeddings是高维空间中的向量，它们将文本转换为一系列数值，这些数值可以用于比较文本之间的相似度、作为机器学习模型的输入特征，或用于其他自然语言处理任务。

在机器学习和自然语言处理中，将词、短语、句子或整个文档转换为向量的过程称为“嵌入”（embedding）。这些嵌入向量通常通过训练大型神经网络模型（如GPT系列、BERT、Word2Vec等）在大量文本数据上获得，以便捕获语言的深层语义和句法特征。

例如，使用ChatGPT模型，您可以输入一个句子或段落，模型将输出一个固定长度的向量，这个向量数值上表示了输入文本的内容。然后，这些嵌入向量可以用于各种应用，比如通过计算两个向量之间的距离来找到语义上相似的文本。

示例请求

curl https://api.openai.com/v1/embeddings \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "input": "The food was delicious and the waiter...",
    "model": "text-embedding-ada-002",
    "encoding_format": "float"
  }'

响应

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "embedding": [
        0.0023064255,
        -0.009327292,
        .... (1536 floats total for ada-002)
        -0.0028842222,
      ],
      "index": 0
    }
  ],
  "model": "text-embedding-ada-002",
  "usage": {
    "prompt_tokens": 8,
    "total_tokens": 8
  }
}
  • 文档地址 https://platform.openai.com/docs/api-reference/embeddings/create
  • 官网示例 https://github.com/openai/openai-cookbook/

Redis向量数据库是什么？

Redis 向量数据库是一种专门为向量数据存储和检索而设计的数据库。它基于 Redis 的内存数据库，具有高性能和可扩展性，非常适合存储和查询高维向量数据。

向量数据是一种由多个数值组成的多维数据结构，广泛应用于机器学习、自然语言处理、图像处理等领域。传统的关系型数据库不擅长存储和处理向量数据，而 Redis 向量数据库则专为处理向量数据而设计，具有以下特点：

  • 高性能： Redis 向量数据库采用内存数据库作为存储引擎，具有极高的读写性能，可以满足实时查询和分析的需求。
  • 可扩展性： Redis 向量数据库支持水平扩展，可以轻松地通过添加更多的节点来提高数据库的吞吐量和容量。
  • 易于使用： Redis 向量数据库提供了友好的 API，可以轻松地将向量数据存储、查询和检索。

Redis 向量数据库的一些典型应用场景包括：

  • 文本相似度分析： 将文本编码成向量，然后使用向量相似度来衡量文本之间的相似性。
  • 图像相似度搜索： 将图像编码成向量，然后使用向量相似度来搜索与查询图像相似的图像。
  • 推荐系统： 将用户和物品编码成向量，然后使用向量相似度来推荐用户可能感兴趣的物品。
  • 欺诈检测： 将正常的交易和欺诈交易编码成向量，然后使用向量相似度来检测欺诈交易。

如果您需要存储和处理向量数据，那么 Redis 向量数据库是一个非常好的选择。它具有高性能、可扩展性和易于使用的特点，可以帮助您快速构建功能强大的向量数据应用程序。

PHP 代码实现

按照之前编写需要RedisSearch 和 RedisJSON 两个扩展模块支持，使 Redis 得以支持结构化数据的搜索。

注意：该依赖包需要PHP版本PHP >=8.1。可以通过php -v查看是否符合版本要求
/var/www/webman-admin # php -v
PHP 8.2.10 (cli) (built: Sep  2 2023 07:09:39) (NTS)
Copyright (c) The PHP Group
Zend Engine v4.2.10, Copyright (c) Zend Technologies
    with Zend OPcache v8.2.10, Copyright (c), by Zend Technologies
composer 安装扩展包
composer require openai-php/client
安装过程

Chat 测试

$apiKey = 'xxxxxxxxxxxxxxxxxx';
$client = \OpenAI::factory()
    ->withApiKey($apiKey)
    ->withBaseUri('api.openai.com/v1')
    ->withHttpClient($client = new \GuzzleHttp\Client([]))
    ->withStreamHandler(fn(\Psr\Http\Message\RequestInterface $request): \Psr\Http\Message\ResponseInterface => $client->send($request, [
        'stream' => true // Allows to provide a custom stream handler for the http client.
    ]))->make();
$result = $client->chat()->create([
    'model' => 'gpt-3.5-turbo-0613',
    'messages' => [
        ['role' => 'user', 'content' => 'Tinywan 程序员是谁？'],
    ],
]);
echo '[开源技术小栈响应]：'.$result->choices[0]->message->content;
return response_json(0,'success');
请求访问地址：http://127.0.0.1:8201/test/openai。以上会话打印以下内容表示SDK没问题

更多了解：https://platform.openai.com/docs/api-reference/chat/create

Embeddings 使用

$apiKey = 'xxxxxxxxxxxxxxxxxx';
$client = \OpenAI::factory()
    ->withApiKey($apiKey)
    ->withBaseUri('api.openai.com/v1')
    ->withHttpClient($client = new \GuzzleHttp\Client([]))
    ->withStreamHandler(fn(\Psr\Http\Message\RequestInterface $request): \Psr\Http\Message\ResponseInterface => $client->send($request, [
        'stream' => true // Allows to provide a custom stream handler for the http client.
    ]))->make();
 
 
/** TODO 1、利用ChatGTP Embeddings功能，将文本转换为向量 */
$input = 'Hi，我是Tinywan，开源技术小栈公众号作者。一只程序猿，毕业于二流院校，目前在杭州工作。';
$response = $client->embeddings()->create([
    'model' => 'text-embedding-ada-002',
    'input' => $input,
    'encodding_format' => 'float' // 向量是一组多维的数组，数组元素为 float 类型数据。
]);
 
/** TODO 2、将文本向量并存储到Redis中，实现向量相似度搜索 */
$textEmbeddingVector = $response['data'][0]['embedding'];
$indexName = 'tinywan:embedding:2024';
try {
  $indexExist = Redis::rawCommand('FT.INFO', $indexName);
} catch (\Throwable $e) {
  $indexExist = false;
}
 
/** TODO 3、索引不存在，创建索引 */
if(!$indexExist) {
  Redis::rawCommand('FT.CREATE', $indexName, 'on', 'JSON', 'PREFIX', '1', "$indexName:", 'SCHEMA',
      '$.text_embedding', 'AS', 'text_embedding', 'VECTOR', 'FLAT', '6', 'DIM', '1536', 'DISTANCE_METRIC', 'COSINE', 'TYPE', 'FLOAT32');
}
/** TODO 4、添加向量存储 */
$embeddingKey = 'tinywan:embedding:2024:'.time();
$embeddingValue = [
  'key' => $embeddingKey,
  'content' => $input,
  'text_embedding' => $textEmbeddingVector
];
Redis::rawCommand('JSON.SET', $embeddingKey, '$', json_encode($embeddingValue, JSON_UNESCAPED_UNICODE));
请求访问地址：http://127.0.0.1:8201/test/openai。会打印出好多向量

这里内容比较多
[
  0.01726415,
  -0.024315901,
  -0.010605723,
  -0.02709727,
  -0.018514361,
  0.017460812,
  -0.022475703,
  0.0029130618,
  -0.0068199714,
  -0.008941116,
  ....
  ....
]
最终数据存储结果

搜索

try {
  $apiKey = 'xxxxxxxxxxxxxxxxxx';
  $client = \OpenAI::factory()
      ->withApiKey($apiKey)
      ->withBaseUri('api.openai.com/v1')
      ->withHttpClient($client = new \GuzzleHttp\Client([]))
      ->withStreamHandler(fn(\Psr\Http\Message\RequestInterface $request): \Psr\Http\Message\ResponseInterface => $client->send($request, [
          'stream' => true // Allows to provide a custom stream handler for the http client.
      ]))->make();
 
    /** TODO 1、利用ChatGTP Embeddings功能，将文本转换为向量 */
    $response = $client->embeddings()->create([
        'model' => 'text-embedding-ada-002',
        'input' => '开源技术小栈',
        'encodding_format' => 'float' // 向量是一组多维的数组，数组元素为 float 类型数据。
    ]);
    $embedding = $response['data'][0]['embedding'];
    $blob = '';
    foreach ($embedding as $value) {
        $blob .= pack('f', $value);
    }
    $indexName = 'tinywan:embedding:2024';
    $count = 10;
    $redisResult = Redis::rawCommand('FT.SEARCH', $indexName, '*=>[KNN ' .
        $count . ' @text_embedding $blob]', 'PARAMS', '2', 'blob', $blob, 'SORTBY', '__text_embedding_score', 'DIALECT', '2');
    /** TODO 2、查询向量分数最高的1条数据 */
    if (!isset($redisResult[2][3])) {
        return json(['content' => []]);
    }
    /** TODO 3、返回精准查询内容 */
    $resultArr = json_decode($redisResult[2][3], true);
} catch (\Throwable $throwable) {
    var_dump('异常错误 ' . $throwable->getMessage() . '|' . $throwable->getFile() . '|' . $throwable->getLine());
    return json([]);
}
return json(['content' => $resultArr['content']]);
搜索方式： 使用 KNN 搜索方式，根据给定的一段文本，搜索相似的文档

查询案例和法语

127.0.0.1:6379> FT.SEARCH books-idx "*=>[KNN 10 @title_embedding $query_vec AS title_score]" PARAMS 2 query_vec <"Planet Earth" embedding BLOB> SORTBY title_score DIALECT 2
查询结果

搜索程序猿，程序猿就被精准的排在第一位啦！

本文使用 ChatGPT Embeddings 的向量化处理，Redis JSON 和搜索功能，演示了如何实现一个简单的文本相似性搜索。

PHPStan ：PHP静态代码质量分析工具
上一篇
php中的双引号与单引号的基本使用
下一篇