Ragbits项目中的混合向量存储技术详解
混合向量存储概述
在现代信息检索系统中,混合向量存储(Hybrid Vector Store)是一种强大的技术架构,它能够将多种不同类型的向量存储整合到一个统一的搜索索引中。Ragbits项目提供的HybridSearchVectorStore
正是这样一种实现,它允许开发者无缝地组合多个向量存储,同时保持单一接口的操作体验。
混合向量存储的核心优势
混合向量存储主要解决了两大类问题场景:
-
多模态数据整合:可以同时处理文本、图像等不同模态的数据。例如,一个商品条目可以同时存储其图片的视觉特征向量和描述文本的语义向量,实现跨模态的统一检索。
-
多类型嵌入融合:支持将稠密嵌入(dense embedding)和稀疏嵌入(sparse embedding)等不同类型的向量表示结合起来,充分利用它们各自的优势提升搜索质量。
多模态混合存储实战
让我们看一个具体的多模态存储实现示例:
from ragbits.core.vector_stores.hybrid import HybridSearchVectorStore
from ragbits.core.vector_stores.in_memory import InMemoryVectorStore
from ragbits.core.embeddings.dense.vertex_multimodal import VertexAIMultimodelEmbedder
# 初始化多模态嵌入生成器
embedder = VertexAIMultimodelEmbedder()
# 创建文本专用向量存储
vector_store_text = InMemoryVectorStore(embedder=embedder,
embedding_type=EmbeddingType.TEXT)
# 创建图像专用向量存储
vector_store_image = InMemoryVectorStore(embedder=embedder,
embedding_type=EmbeddingType.IMAGE)
# 组合成混合向量存储
vector_store_hybrid = HybridSearchVectorStore(vector_store_text, vector_store_image)
在这个例子中,我们创建了两个内存向量存储,分别负责处理文本和图像数据。当向混合存储中添加条目时,系统会自动根据数据类型将其分发到对应的子存储中。
多类型嵌入混合方案
对于需要结合稠密和稀疏嵌入的场景,可以这样实现:
from ragbits.core.embeddings.dense import LiteLLMEmbedder
from ragbits.core.embeddings.sparse.fastembed import FastEmbedSparseEmbedder
# 稠密向量存储
vector_store_dense = InMemoryVectorStore(
embedder=LiteLLMEmbedder(model="text-embedding-3-small")
)
# 稀疏向量存储
vector_store_sparse = InMemoryVectorStore(
embedder=FastEmbedSparseEmbedder(model_name="BAAI/bge-small-en-v1.5")
)
# 混合存储
vector_store_hybrid = HybridSearchVectorStore(vector_store_dense, vector_store_sparse)
这种组合方式特别适合需要兼顾语义匹配和关键词匹配的场景,稠密嵌入擅长捕捉语义相似性,而稀疏嵌入则更擅长处理精确的关键词匹配。
高级混合配置
Ragbits的混合存储支持任意数量和类型的向量存储组合,下面是一个结合三种不同存储引擎的示例:
# 创建三种不同类型的向量存储
chroma_store = ChromaVectorStore(client=EphemeralClient(), ...)
qdrant_store = QdrantVectorStore(client=AsyncQdrantClient(...), ...)
pg_store = PgVectorStore(client=postgres_pool, ...)
# 组合成混合存储
vector_store_hybrid = HybridSearchVectorStore(chroma_store, qdrant_store, pg_store)
这种灵活性使得开发者可以根据业务需求选择最适合的存储引擎组合,例如使用内存存储处理高频查询,用持久化存储保证数据安全。
检索策略详解
混合存储的核心价值在于其检索结果的融合策略,Ragbits提供了三种主要策略:
-
有序混合策略(OrderedHybridRetrivalStrategy):
- 默认策略
- 按分数排序结果
- 支持分数累加或取最高分选项
-
互逆排名融合(ReciprocalRankFusion):
- 基于RRF算法
- 优先考虑在多个存储中排名靠前的结果
- 平衡不同存储的排名差异
-
基于分布的分数融合(DistributionBasedScoreFusion):
- 通过分数标准化实现跨存储比较
- 特别适合不同存储返回分数尺度不一致的场景
配置检索策略示例:
from ragbits.core.vector_stores.hybrid_strategies import DistributionBasedScoreFusion
vector_store_hybrid = HybridSearchVectorStore(
vector_store_text,
vector_store_image,
retrieval_strategy=DistributionBasedScoreFusion(sum_scores=True)
最佳实践建议
-
多模态场景:建议使用有序混合策略,并关闭分数累加,避免图文兼备的条目获得不公平优势。
-
多嵌入类型场景:推荐使用分布融合策略,它能更好地处理稠密和稀疏嵌入的分数分布差异。
-
性能考量:混合存储的查询性能取决于最慢的子存储,建议将高性能存储放在策略列表前面。
-
存储选择:根据数据规模和访问模式选择合适的存储组合,小规模数据可使用全内存方案,大规模数据建议结合持久化存储。
通过合理配置Ragbits的混合向量存储,开发者可以构建出适应各种复杂场景的高效检索系统,充分发挥不同类型向量表示的优势。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









