Intégrez des intégrateurs de texte.

Les intégrateurs de texte permettent d'incorporer du texte dans un vecteur de caractéristiques de grande dimension représentant sa signification sémantique, qui peut ensuite être comparé au vecteur de caractéristiques d'autres textes pour évaluer leur similarité sémantique.

Contrairement à la recherche de texte , l'intégrateur de texte permet de calculer la similarité entre les textes à la volée au lieu de rechercher dans un index prédéfini construit à partir d'un corpus.

Utilisez l'API Task Library TextEmbedder pour déployer votre intégration de texte personnalisée dans vos applications mobiles.

Principales fonctionnalités de l'API TextEmbedder

  • Traitement du texte d'entrée, y compris les tokenisations Wordpiece ou Sentencepiece dans le graphique ou hors graphique sur le texte d'entrée.

  • Fonction utilitaire intégrée pour calculer la similarité cosinusoïdale entre les vecteurs de caractéristiques.

Modèles d'intégration de texte pris en charge

Les modèles suivants sont garantis compatibles avec l'API TextEmbedder .

Exécuter l'inférence en C++

// Initialization.
TextEmbedderOptions options:
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<TextEmbedder> text_embedder = TextEmbedder::CreateFromOptions(options).value();

// Run inference with your two inputs, `input_text1` and `input_text2`.
const EmbeddingResult result_1 = text_embedder->Embed(input_text1);
const EmbeddingResult result_2 = text_embedder->Embed(input_text2);

// Compute cosine similarity.
double similarity = TextEmbedder::CosineSimilarity(
    result_1.embeddings[0].feature_vector()
    result_2.embeddings[0].feature_vector());

Consultez le code source pour plus d'options pour configurer TextEmbedder .

Exécuter l'inférence en Python

Étape 1 : Installez le package Pypi de support TensorFlow Lite.

Vous pouvez installer le package Pypi TensorFlow Lite Support à l'aide de la commande suivante :

pip install tflite-support

Étape 2 : Utilisation du modèle

from tflite_support.task import text

# Initialization.
text_embedder = text.TextEmbedder.create_from_file(model_path)

# Run inference on two texts.
result_1 = text_embedder.embed(text_1)
result_2 = text_embedder.embed(text_2)

# Compute cosine similarity.
feature_vector_1 = result_1.embeddings[0].feature_vector
feature_vector_2 = result_2.embeddings[0].feature_vector
similarity = text_embedder.cosine_similarity(
    result_1.embeddings[0].feature_vector, result_2.embeddings[0].feature_vector)

Consultez le code source pour plus d'options pour configurer TextEmbedder .

Exemples de résultats

La similarité cosinus entre les vecteurs de caractéristiques normalisés renvoie un score compris entre -1 et 1. Plus c'est élevé, mieux c'est, c'est-à-dire qu'une similarité cosinus de 1 signifie que les deux vecteurs sont identiques.

Cosine similarity: 0.954312

Essayez l' outil de démonstration CLI simple pour TextEmbedder avec votre propre modèle et vos données de test.

Exigences de compatibilité des modèles

L'API TextEmbedder attend un modèle TFLite avec des métadonnées de modèle TFLite obligatoires.

Trois principaux types de modèles sont pris en charge :

  • Modèles basés sur BERT (voir le code source pour plus de détails) :

    • Exactement 3 tenseurs d'entrée (kTfLiteString)

      • Tenseur d'identifiants, avec le nom de métadonnées "ids",
      • Tenseur de masque, avec le nom de métadonnées « masque ».
      • Tenseur d'ID de segment, avec le nom de métadonnées "segment_ids"
    • Exactement un tenseur de sortie (kTfLiteUInt8/kTfLiteFloat32)

      • avec N composants correspondant aux N dimensions du vecteur de caractéristiques renvoyé pour cette couche de sortie.
      • Soit 2 ou 4 dimensions, soit [1 x N] ou [1 x 1 x 1 x N] .
    • Un input_process_units pour Wordpiece/Sentencepiece Tokenizer

  • Modèles basés sur Universal Sentence Encoder (voir le code source pour plus de détails) :

    • Exactement 3 tenseurs d'entrée (kTfLiteString)

      • Tenseur de texte de requête, avec le nom de métadonnées "inp_text".
      • Tenseur de contexte de réponse, avec le nom de métadonnées « res_context ».
      • Tenseur de texte de réponse, avec le nom de métadonnées "res_text".
    • Exactement 2 tenseurs de sortie (kTfLiteUInt8/kTfLiteFloat32)

      • Tenseur d'encodage de requête, avec le nom de métadonnées "query_encoding".
      • Tenseur d'encodage de réponse, avec le nom de métadonnées "response_encoding".
      • Tous deux avec N composants correspondant aux N dimensions du vecteur de caractéristiques renvoyé pour cette couche de sortie.
      • Tous deux avec 2 ou 4 dimensions, c'est-à-dire [1 x N] ou [1 x 1 x 1 x N] .
  • Tout modèle d'intégration de texte avec :

    • Un tenseur de texte d'entrée (kTfLiteString)
    • Au moins un tenseur d'intégration de sortie (kTfLiteUInt8/kTfLiteFloat32)

      • avec N composants correspondant aux N dimensions du vecteur de caractéristiques renvoyé pour cette couche de sortie.
      • Soit 2 ou 4 dimensions, soit [1 x N] ou [1 x 1 x 1 x N] .