Searchmap Preview

🚀 VectorPath SearchMap：對話式電商搜索嵌入模型

VectorPath SearchMap是一款專為電商搜索場景打造的嵌入模型，它讓搜索變得更具對話性和直觀性。該模型基於Stella Embed 400M v5基礎模型微調而來，能夠出色地理解自然語言查詢，並將其與相關產品進行匹配。

🚀 快速開始

你可以在我們的交互式Colab演示中試用該模型！

✨ 主要特性

• 針對對話式電商查詢進行優化。
• 能夠處理複雜的自然語言搜索意圖。
• 支持多屬性產品搜索。
• 提供高效的1024維嵌入（可配置至8192維）。
• 專門用於產品和酒店搜索場景。

📦 安裝指南

使用Sentence Transformers

# 安裝所需的包
!pip install -U torch==2.5.1 transformers==4.44.2 sentence-transformers==2.7.0 xformers==0.0.28.post3

from sentence_transformers import SentenceTransformer

# 初始化模型
model = SentenceTransformer('vectopath/SearchMap_Preview', trust_remote_code=True)

# 編碼查詢
query = "A treat my dog and I can eat together"
query_embedding = model.encode(query)

# 編碼產品
product_description = "Organic peanut butter dog treats, safe for human consumption..."
product_embedding = model.encode(product_description)

使用FAISS進行向量搜索

import numpy as np
import faiss

# 創建FAISS索引
embedding_dimension = 1024  # 或你選擇的維度
index = faiss.IndexFlatL2(embedding_dimension)

# 添加產品嵌入
product_embeddings = model.encode(product_descriptions, show_progress_bar=True)
index.add(np.array(product_embeddings).astype('float32'))

# 搜索
query_embedding = model.encode([query])
distances, indices = index.search(
    np.array(query_embedding).astype('float32'), 
    k=10
)

💻 使用示例

基礎用法

# 安裝所需的包
!pip install -U torch==2.5.1 transformers==4.44.2 sentence-transformers==2.7.0 xformers==0.0.28.post3

from sentence_transformers import SentenceTransformer

# 初始化模型
model = SentenceTransformer('vectopath/SearchMap_Preview', trust_remote_code=True)

# 編碼查詢
query = "A treat my dog and I can eat together"
query_embedding = model.encode(query)

# 編碼產品
product_description = "Organic peanut butter dog treats, safe for human consumption..."
product_embedding = model.encode(product_description)

高級用法

import numpy as np
import faiss

# 創建FAISS索引
embedding_dimension = 1024  # 或你選擇的維度
index = faiss.IndexFlatL2(embedding_dimension)

# 添加產品嵌入
product_embeddings = model.encode(product_descriptions, show_progress_bar=True)
index.add(np.array(product_embeddings).astype('float32'))

# 搜索
query_embedding = model.encode([query])
distances, indices = index.search(
    np.array(query_embedding).astype('float32'), 
    k=10
)

示例搜索查詢

該模型擅長理解自然語言查詢，例如：

• “A treat my dog and I can eat together”
• “Lightweight waterproof hiking backpack for summer trails”
• “Eco-friendly kitchen gadgets for a small apartment”
• “Comfortable shoes for standing all day at work”
• “Cereal for my 4 year old son that likes to miss breakfast”

📚 詳細文檔

模型詳情

性能和侷限性

評估

該模型的評估指標可在MTEB排行榜上查看：

• 目前，該模型是參數規模小於10億的最佳嵌入模型，由於其內存佔用小，非常適合在小型GPU上本地運行。
• 在SemRel24STS任務中，該模型以81.12%的準確率大幅領先，擊敗了位居第二的Google Gemini嵌入模型（準確率73.14%，截至2025年3月30日）。SemRel24STS用於評估系統在14種不同語言中測量兩個句子之間語義相關性的能力。
• 從MTEB排行榜來看，該模型在法律和新聞檢索及相似度任務中表現出色。

優勢

• 擅長理解對話式和自然語言查詢。
• 在電商和酒店搜索場景中表現出色。
• 能夠處理複雜的多屬性查詢。
• 可配置嵌入維度，計算效率高。

當前侷限性

• 可能無法完全優先處理查詢中的加權術語。
• 對俚語和口語化語言的處理能力有限。
• 可能需要針對區域語言變體進行微調。

訓練詳情

該模型使用以下方法進行訓練：

• 使用Sentence Transformers進行監督學習。
• 100,000多個產品數據集，涵蓋32個類別。
• 人工智能生成的對話式搜索查詢。
• 用於對比學習的正負產品示例。

預期用途

該模型旨在用於以下場景：

• 電商產品搜索和推薦。
• 酒店和住宿搜索。
• 產品目錄向量化。
• 語義相似度匹配。
• 查詢理解和意圖檢測。

引用

如果您在研究中使用了該模型，請引用：

@misc{vectorpath2025searchmap,
  title={SearchMap: Conversational E-commerce Search Embedding Model},
  author={VectorPath Research Team},
  year={2025},
  publisher={Hugging Face},
  journal={HuggingFace Model Hub},
}

聯繫和社區

• Discord社區：加入我們的Discord
• GitHub問題：報告錯誤和提出功能請求
• 交互式演示：在Colab上試用

📄 許可證

該模型遵循MIT許可證。有關更多詳細信息，請參閱LICENSE文件。