你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

教程：使用 Azure Cache for Redis 对 Azure OpenAI 嵌入内容执行矢量相似性搜索

项目
01/05/2024

在本教程中，你将演练一个基本的矢量相似性搜索用例。你将使用 Azure OpenAI 服务生成的嵌入内容和 Azure Cache for Redis 企业层的内置矢量搜索功能来查询电影数据集，以查找最相关的匹配项。

本教程使用 Wikipedia 电影情节数据集，该数据集包含 Wikipedia 1901 至 2017 年间超过 35,000 部电影的情节描述。该数据集包括每部电影的情节摘要，以及电影上映年份、导演、主演和类型等元数据。你将按照本教程中的步骤根据情节摘要生成嵌入内容，并使用其他元数据运行混合查询。

本教程介绍如何执行下列操作：

创建为矢量搜索配置的 Azure Cache for Redis 实例
安装 Azure OpenAI 和其他必要的 Python 库。
下载电影数据集并将其准备就绪进行分析。
使用 text-embedding-ada-002（版本 2）模型生成嵌入内容。
在 Azure Cache for Redis 中创建矢量索引
使用余弦相似性对搜索结果进行排名。
通过 RediSearch 使用混合查询功能来预筛选数据，使矢量搜索更加强大。

重要

本教程将指导你构建 Jupyter Notebook。可以使用 Python 代码文件 (.py) 按本教程操作并获取相似结果，但需要将本教程中的所有代码块添加到 .py 文件中并执行一次以查看结果。换句话说，Jupyter Notebook 在执行单元时会提供中间结果，但这不是在 Python 代码文件中操作时应产生的行为。

重要

如果想要改用已完成的 Jupyter 笔记本，请下载名为 tutorial.ipynb 的 Jupyter 笔记本文件，并将其保存到新的 redis-vector 文件夹中。

先决条件

Azure 订阅 - 免费创建订阅
在所需的 Azure 订阅中授予对 Azure OpenAI 的访问权限。目前，必须申请 Azure OpenAI 的访问权限。可以通过在 https://aka.ms/oai/access 上填写表单来申请对 Azure OpenAI 的访问权限。
Python 3.7.1 或更高版本
Jupyter 笔记本（可选）
部署了 text-embedding-ada-002（版本 2） 模型的 Azure OpenAI 资源。此模型当前仅在特定区域中可用。有关如何部署模型的说明，请参阅资源部署指南。

创建 Azure Cache for Redis 实例

按照快速入门：创建 Redis Enterprise 缓存指南进行操作。在“高级”页上，确保已添加 RediSearch 模块并选择了企业群集策略。其他所有设置都可以与快速入门中所述的默认值匹配。

需要花费几分钟时间来创建缓存。在此期间，可以继续执行下一步。

屏幕截图显示已填充的“企业层基本信息”选项卡。

设置开发环境

在本地计算机上，在通常保存项目的位置创建名为 redis-vector 的文件夹。
在文件夹中创建新的 python 文件 (tutorial.py) 或 Jupyter 笔记本 (tutorial.ipynb)。

安装所需的 Python 包：

pip install "openai==1.6.1" num2words matplotlib plotly scipy scikit-learn pandas tiktoken redis langchain

下载数据集

在网页浏览器中，导航到 https://www.kaggle.com/datasets/jrobischon/wikipedia-movie-plots。
使用 Kaggle 登录或注册。下载文件需要注册。
选择 Kaggle 上的“下载”链接以下载 archive.zip 文件。
提取 archive.zip 文件，并将 wiki_movie_plots_deduped.csv 移动到 redis-vector 文件夹中。

导入库并设置连接信息

若要成功对 Azure OpenAI 发出调用，需要一个终结点和一个密钥。还需要一个终结点和一个密钥才能连接到 Azure Cache for Redis。

转到 Azure 门户中的 Azure OpenAI 资源。
可以在“资源管理”部分找到“终结点和密钥”。复制终结点和访问密钥，因为在对 API 调用进行身份验证时需要这两项。示例终结点为：https://docs-test-001.openai.azure.com。可以使用 KEY1 或 KEY2。
转到 Azure 门户中 Azure Cache for Redis 资源的“概述”页。复制终结点。
找到“设置”部分中的“访问密钥”。复制访问密钥。可以使用 Primary 或 Secondary。

将以下代码添加到新的代码单元：

# Code cell 2

import re
from num2words import num2words
import os
import pandas as pd
import tiktoken
from typing import List
from langchain.embeddings import AzureOpenAIEmbeddings
from langchain.vectorstores.redis import Redis as RedisVectorStore
from langchain.document_loaders import DataFrameLoader

API_KEY = "<your-azure-openai-key>"
RESOURCE_ENDPOINT = "<your-azure-openai-endpoint>"
DEPLOYMENT_NAME = "<name-of-your-model-deployment>"
MODEL_NAME = "text-embedding-ada-002"
REDIS_ENDPOINT = "<your-azure-redis-endpoint>"
REDIS_PASSWORD = "<your-azure-redis-password>"

使用 Azure OpenAI 部署中的密钥和终结点值更新 API_KEY 和 RESOURCE_ENDPOINT 的值。 DEPLOYMENT_NAME 应设置为使用 text-embedding-ada-002 (Version 2) 嵌入内容模型的部署的名称，并且 MODEL_NAME 应设置为使用的特定嵌入内容模型。
使用 Azure Cache for Redis 实例中的终结点和密钥值更新 REDIS_ENDPOINT 和 REDIS_PASSWORD。

重要

强烈建议使用环境变量或机密管理器（如 Azure 密钥保管库）来传入 API 密钥、终结点和部署名称信息。为了简便，此处以纯文本形式设置这些变量。
执行代码单元 2。

将数据集导入 pandas 并处理数据

接下来，将 csv 文件读取到 pandas 数据帧中。

将以下代码添加到新的代码单元：

# Code cell 3

df=pd.read_csv(os.path.join(os.getcwd(),'wiki_movie_plots_deduped.csv'))
df

执行代码单元 3。应会看到以下输出：
接下来，通过添加 id 索引来处理数据，删除列标题中的空格，并筛选电影以仅拍摄 1970 年之后和英语国家/地区制作的电影。此筛选步骤可减少数据集中的电影数量，从而降低生成嵌入内容所需的成本和时间。可以根据自己的偏好随意更改或删除筛选参数。

若要筛选数据，请将以下代码添加到新的代码单元：
```
# Code cell 4

df.insert(0, 'id', range(0, len(df)))
df['year'] = df['Release Year'].astype(int)
df['origin'] = df['Origin/Ethnicity'].astype(str)
del df['Release Year']
del df['Origin/Ethnicity']
df = df[df.year > 1970] # only movies made after 1970
df = df[df.origin.isin(['American','British','Canadian'])] # only movies from English-speaking cinema
df
```
执行代码单元 4。应该看到以下结果：

创建一个函数，以通过删除空格和标点符号来清理数据，然后针对包含情节的数据帧使用该函数。

将以下代码添加到新的代码单元并执行：

# Code cell 5

pd.options.mode.chained_assignment = None

# s is input text
def normalize_text(s, sep_token = " \n "):
    s = re.sub(r'\s+',  ' ', s).strip()
    s = re.sub(r". ,","",s)
    # remove all instances of multiple spaces
    s = s.replace("..",".")
    s = s.replace(". .",".")
    s = s.replace("\n", "")
    s = s.strip()

    return s

df['Plot']= df['Plot'].apply(lambda x : normalize_text(x))

最后，删除包含对于嵌入内容模型来说太长的情节描述的任何条目。（换句话说，它们需要比 8192 令牌限制更多的令牌。）然后计算生成嵌入内容所需的令牌数。这也会影响对嵌入内容生成的定价。

将以下代码添加到新的代码单元：
```
# Code cell 6

tokenizer = tiktoken.get_encoding("cl100k_base")
df['n_tokens'] = df["Plot"].apply(lambda x: len(tokenizer.encode(x)))
df = df[df.n_tokens<8192]
print('Number of movies: ' + str(len(df)))
print('Number of tokens required:' + str(df['n_tokens'].sum()))
```
执行代码单元 6。你应该会看到以下输出：
```
Number of movies: 11125
Number of tokens required:7044844
```
重要

请参阅 Azure OpenAI 服务定价，根据所需的令牌数来计算生成嵌入内容的成本。

将数据帧加载到 LangChain

使用 DataFrameLoader 类将数据帧加载到 LangChain 中。数据进入 LangChain 文档后，使用 LangChain 库生成嵌入内容并执行相似性搜索要容易得多。将 Plot 设置为 page_content_column，以便在此列上生成嵌入内容。

将以下代码添加到新的代码单元并执行：

# Code cell 7

loader = DataFrameLoader(df, page_content_column="Plot" )
movie_list = loader.load()

生成嵌入内容并将其加载到 Redis 中

现在，数据已筛选并加载到 LangChain 中，你将创建嵌入内容，以便可以查询每部电影的情节。以下代码配置 Azure OpenAI、生成嵌入内容，并将嵌入内容矢量加载到 Azure Cache for Redis。

将以下代码添加到新的代码单元：

# Code cell 8

embedding = AzureOpenAIEmbeddings(
    deployment=DEPLOYMENT_NAME,
    model=MODEL_NAME,
    azure_endpoint=RESOURCE_ENDPOINT,
    openai_api_type="azure",
    openai_api_key=API_KEY,
    openai_api_version="2023-05-15",
    show_progress_bar=True,
    chunk_size=16 # current limit with Azure OpenAI service. This will likely increase in the future.
    )

# name of the Redis search index to create
index_name = "movieindex"

# create a connection string for the Redis Vector Store. Uses Redis-py format: https://redis-py.readthedocs.io/en/stable/connections.html#redis.Redis.from_url
# This example assumes TLS is enabled. If not, use "redis://" instead of "rediss://
redis_url = "rediss://:" + REDIS_PASSWORD + "@"+ REDIS_ENDPOINT

# create and load redis with documents
vectorstore = RedisVectorStore.from_documents(
    documents=movie_list,
    embedding=embedding,
    index_name=index_name,
    redis_url=redis_url
)

# save index schema so you can reload in the future without re-generating embeddings
vectorstore.write_schema("redis_schema.yaml")

执行代码单元 8。此步骤可能需要 30 分钟以上的时间才能完成。还会生成 redis_schema.yaml 文件。如果要在不重新生成嵌入内容的情况下连接到 Azure Cache for Redis 实例中的索引，则此文件非常有用。

重要

生成嵌入项的速度取决于 Azure OpenAI 模型可用的配额。每分钟配额为 24 万个令牌，处理数据集中的 700 万个令牌大约需要 30 分钟。

运行矢量搜索查询

设置数据集、Azure OpenAI 服务 API 和 Redis 实例后，可以使用矢量进行搜索。在此示例中，返回给定查询的前 10 个结果。

将以下代码添加到 Python 代码文件：

# Code cell 9

query = "Spaceships, aliens, and heroes saving America"
results = vectorstore.similarity_search_with_score(query, k=10)

for i, j in enumerate(results):
    movie_title = str(results[i][0].metadata['Title'])
    similarity_score = str(round((1 - results[i][1]),4))
    print(movie_title + ' (Score: ' + similarity_score + ')')

执行代码单元 9。应会看到以下输出：

Independence Day (Score: 0.8348)
The Flying Machine (Score: 0.8332)
Remote Control (Score: 0.8301)
Bravestarr: The Legend (Score: 0.83)
Xenogenesis (Score: 0.8291)
Invaders from Mars (Score: 0.8291)
Apocalypse Earth (Score: 0.8287)
Invasion from Inner Earth (Score: 0.8287)
Thru the Moebius Strip (Score: 0.8283)
Solar Crisis (Score: 0.828)

将返回相似性分数，以及按照相似性划分的电影顺序分级。请注意，更具体的查询的相似性分数在列表中下降得更快。

混合搜索

由于 RediSearch 在矢量搜索的基础上还具有丰富的搜索功能，因此可以按数据集中的元数据（例如电影类型、演员、上映年份或导演）筛选结果。在这种情况下，请根据类型 comedy 进行筛选。

将以下代码添加到新的代码单元：

# Code cell 10

from langchain.vectorstores.redis import RedisText

query = "Spaceships, aliens, and heroes saving America"
genre_filter = RedisText("Genre") == "comedy"
results = vectorstore.similarity_search_with_score(query, filter=genre_filter, k=10)
for i, j in enumerate(results):
    movie_title = str(results[i][0].metadata['Title'])
    similarity_score = str(round((1 - results[i][1]),4))
    print(movie_title + ' (Score: ' + similarity_score + ')')

执行代码单元 10。应会看到以下输出：

Remote Control (Score: 0.8301)
Meet Dave (Score: 0.8236)
Elf-Man (Score: 0.8208)
Fifty/Fifty (Score: 0.8167)
Mars Attacks! (Score: 0.8165)
Strange Invaders (Score: 0.8143)
Amanda and the Alien (Score: 0.8136)
Suburban Commando (Score: 0.8129)
Coneheads (Score: 0.8129)
Morons from Outer Space (Score: 0.8121)

借助 Azure Cache for Redis 和 Azure OpenAI 服务，可以使用嵌入内容和矢量搜索向应用程序添加强大的搜索功能。

清理资源

要继续使用在本文中创建的资源，请保留资源组。

否则，为了避免与资源相关的费用，若已用完资源，可以删除创建的 Azure 资源组。

警告

删除资源组的操作不可逆。删除一个资源组时，该资源组中的所有资源都会被永久删除。请确保不会意外删除错误的资源组或资源。如果在现有资源组（其中具有要保留的资源）内创建了多个资源，可以逐个删除这些资源，而不是删除资源组。

删除资源组

登录到 Azure 门户，然后选择“资源组”。
选择要删除的资源组。

如果有多个资源组，请在“筛选任何字段”中，输入为完成本文创建的资源组的名称。在搜索结果列表中，选择该资源组。
选择“删除资源组”。
在“删除资源组”窗格中，输入资源组的名称进行确认，然后选择“删除”。

很快将会删除该资源组及其所有资源。

通过

教程：使用 Azure Cache for Redis 对 Azure OpenAI 嵌入内容执行矢量相似性搜索

先决条件

创建 Azure Cache for Redis 实例

设置开发环境

下载数据集

导入库并设置连接信息

将数据集导入 pandas 并处理数据

将数据帧加载到 LangChain

生成嵌入内容并将其加载到 Redis 中

运行矢量搜索查询

混合搜索

清理资源

删除资源组

反馈

其他资源

通过

教程：使用 Azure Cache for Redis 对 Azure OpenAI 嵌入内容执行矢量相似性搜索

先决条件

创建 Azure Cache for Redis 实例

设置开发环境

下载数据集

导入库并设置连接信息

将数据集导入 pandas 并处理数据

将数据帧加载到 LangChain

生成嵌入内容并将其加载到 Redis 中

运行矢量搜索查询

混合搜索

清理资源

删除资源组

相关内容

反馈

其他资源