Alibaba Cloud Model Studio:埋め込み

埋め込みモデルは、テキスト、画像、動画などのデータをベクトルに変換し、セマンティック検索、レコメンデーション、クラスタリング、分類、異常検知などの下流タスクに利用します。

前提条件

API キーを取得し、API キーを環境変数としてエクスポートします。OpenAI SDK または DashScope SDK を使用して呼び出しを行う場合は、SDK をインストールします。

埋め込みの取得

import os
from openai import OpenAI

input_text = "The quality of the clothes is excellent"

client = OpenAI(
    # API キーはリージョン固有です。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),  # 環境変数を設定していない場合は、この行を API キーに置き換えてください。
    # これはシンガポールリージョンの URL です。{WorkspaceId} をご利用のワークスペース ID に置き換えてください。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

completion = client.embeddings.create(
    model="qwen3.7-text-embedding",
    input=input_text
)

print(completion.model_dump_json())

const OpenAI = require("openai");

// OpenAI クライアントを初期化します。
const openai = new OpenAI({
    // 環境変数を設定していない場合は、この行を API キーに置き換えてください。
    // API キーはリージョン固有です。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    apiKey: process.env.DASHSCOPE_API_KEY,
    // これはシンガポールリージョンの URL です。{WorkspaceId} をご利用のワークスペース ID に置き換えてください。
    baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1'
});

async function getEmbedding() {
    try {
        const inputTexts = "The quality of the clothes is excellent";
        const completion = await openai.embeddings.create({
            model: "qwen3.7-text-embedding",
            input: inputTexts,
            dimensions: 1024 // ベクトル次元を指定します。このパラメーターは qwen3.7-text-embedding、text-embedding-v3、および text-embedding-v4 のみでサポートされています。
        });

        console.log(JSON.stringify(completion, null, 2));
    } catch (error) {
        console.error('Error:', error);
    }
}

getEmbedding();

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/embeddings' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen3.7-text-embedding",
    "input": "The quality of the clothes is excellent"
}'

import dashscope
from http import HTTPStatus

# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

input_text = "The quality of the clothes is excellent"
resp = dashscope.TextEmbedding.call(
    model="qwen3.7-text-embedding",
    input=input_text,
)

if resp.status_code == HTTPStatus.OK:
    print(resp)

import com.alibaba.dashscope.embeddings.TextEmbedding;
import com.alibaba.dashscope.embeddings.TextEmbeddingParam;
import com.alibaba.dashscope.embeddings.TextEmbeddingResult;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;

import java.util.Collections;
public class Main {
    static {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
        // 中国 (北京) リージョンを使用する場合は、URL を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1 に置き換えてください
    }
     public static void main(String[] args) {
        String inputTexts = "The quality of the clothes is excellent";
        try {
            // リクエストパラメーターを構築します。
            TextEmbeddingParam param = TextEmbeddingParam
                    .builder()
                    .model("qwen3.7-text-embedding")
                    // 入力テキスト。
                    .texts(Collections.singleton(inputTexts))
                    .build();

            // モデルインスタンスを作成し、呼び出しを行います。
            TextEmbedding textEmbedding = new TextEmbedding();
            TextEmbeddingResult result = textEmbedding.call(param);

            // 結果を出力します。
            System.out.println(result);

        } catch (NoApiKeyException e) {
            // API キーが見つからない場合の例外をキャッチして処理します。
            System.err.println("An exception occurred during the API call: " + e.getMessage());
            System.err.println("Please check if your API key is configured correctly.");
            e.printStackTrace();
        }
    }
}

# ======= 重要 =======
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen3.7-text-embedding",
    "input": {
        "texts": [
        "The quality of the clothes is excellent"
        ]
    }
}'

import dashscope
import json
import os
from http import HTTPStatus

dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'
# 上記の URL はシンガポールリージョン用です。北京リージョンのモデルを使用する場合は、base_url を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1 に置き換えてください

# 入力は動画でもかまいません。
# video = "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/en-US/20250107/lbcemt/new+video.mp4"
# input = [{'video': video}]
# または画像。
image = "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png"
input = [{'image': image}]
resp = dashscope.MultiModalEmbedding.call(
    # 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください: api_key="sk-xxx",
    # API キーはリージョン固有です。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model="tongyi-embedding-vision-plus",
    input=input
)

print(json.dumps(resp.output, indent=4))

import com.alibaba.dashscope.embeddings.MultiModalEmbedding;
import com.alibaba.dashscope.embeddings.MultiModalEmbeddingItemImage;
import com.alibaba.dashscope.embeddings.MultiModalEmbeddingItemVideo;
import com.alibaba.dashscope.embeddings.MultiModalEmbeddingParam;
import com.alibaba.dashscope.embeddings.MultiModalEmbeddingResult;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

import java.util.Collections;

public class Main {
    static {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
        // 中国 (北京) リージョンを使用する場合は、URL を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1 に置き換えてください
    }
    public static void main(String[] args) {
        try {
            MultiModalEmbedding embedding = new MultiModalEmbedding();
            // 入力は動画でもかまいません。
            // MultiModalEmbeddingItemVideo video = new MultiModalEmbeddingItemVideo(
            //     "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/en-US/20250107/lbcemt/new+video.mp4");
            // または画像。
            MultiModalEmbeddingItemImage image = new MultiModalEmbeddingItemImage(
                "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png");

            MultiModalEmbeddingParam param = MultiModalEmbeddingParam.builder()
                // 環境変数を設定していない場合は、.apiKey("sk-xxx") を使用して Model Studio API キーを追加してください
                .model("tongyi-embedding-vision-plus")
                .contents(Collections.singletonList(image))
                .build();

            MultiModalEmbeddingResult result = embedding.call(param);
            System.out.println(result);

        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.err.println("An exception occurred during the API call: " + e.getMessage());
            e.printStackTrace();
        }
    }
}

import dashscope
import json
import os
from http import HTTPStatus
# 以下の構成は中国 (北京) リージョン用です。呼び出しを行う際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。構成はリージョン固有です。
dashscope.base_http_api_url = "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1"

# マルチモーダル融合ベクトル: テキスト、画像、動画を単一の融合ベクトルに結合します。
# クロスモーダル検索や画像検索などのユースケースに適しています。
text = "This is a test text for generating a multimodal fused vector"
image = "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png"
video = "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/en-US/20250107/lbcemt/new+video.mp4"

# 入力にはテキスト、画像、動画が含まれます。enable_fusion パラメーターを設定することで融合ベクトルが生成されます。
input_data = [
    {"text": text},
    {"image": image},
    {"video": video}
]

# qwen3-vl-embedding を使用して融合ベクトルを生成します。
resp = dashscope.MultiModalEmbedding.call(
    # 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください: api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3-vl-embedding",
    input=input_data,
    enable_fusion=True,
    # オプションのパラメーター: ベクトル次元を指定します。サポートされている値: 2560、2048、1536、1024、768、512、256。デフォルト: 2560。
    # dimension = 1024
)

print(json.dumps(resp.output, indent=4))

import java.net.URI;
import java.net.http.HttpClient;
import java.net.http.HttpRequest;
import java.net.http.HttpResponse;

public class Main {
    public static void main(String[] args) throws Exception {
        // 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください: String apiKey = "sk-xxx";
        String apiKey = System.getenv("DASHSCOPE_API_KEY");

        // enable_fusion を使用して、テキスト、画像、動画を単一の融合ベクトルに結合します。
        String requestBody = "{"
                + "\"model\": \"qwen3-vl-embedding\","
                + "\"input\": {"
                + "  \"contents\": ["
                + "    {\"text\": \"This is a test text for generating a multimodal fused vector\"},"
                + "    {\"image\": \"https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png\"},"
                + "    {\"video\": \"https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/en-US/20250107/lbcemt/new+video.mp4\"}"
                + "  ]"
                + "},"
                + "\"parameters\": {"
                + "  \"enable_fusion\": true"
                + "}"
                + "}";

        HttpClient client = HttpClient.newHttpClient();
        HttpRequest request = HttpRequest.newBuilder()
                .uri(URI.create("https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/embeddings/multimodal-embedding/multimodal-embedding"))
                .header("Authorization", "Bearer " + apiKey)
                .header("Content-Type", "application/json")
                .POST(HttpRequest.BodyPublishers.ofString(requestBody))
                .build();

        HttpResponse<String> response = client.send(request, HttpResponse.BodyHandlers.ofString());
        System.out.println(response.body());
    }
}

モデルの選択

入力データの種類とユースケースに基づいて、適切なモデルを選択してください。

• プレーンテキストまたはコードの処理：qwen3.7-text-embedding を使用します。これは最高のパフォーマンスを発揮するモデルで、タスク命令や疎ベクトルなどの高度な機能をサポートし、ほとんどのテキスト処理ユースケースをカバーします。

• マルチモーダルコンテンツの処理：

  • 融合埋め込み：クロスモーダル検索や画像検索などのユースケースで、単一モーダルまたは混合モーダルの入力を融合埋め込みとして表現するには、 qwen3-vl-embedding を使用します。たとえば、シャツの画像と「より若々しく見える類似のスタイルを探す」というテキストを入力すると、モデルは画像とタスク命令を単一の埋め込みに融合して処理します。
  • 独立した埋め込み：各入力部分 (画像とそれに対応するテキストキャプションなど) に対して独立した埋め込みを生成するには、tongyi-embedding-vision-plus、tongyi-embedding-vision-flash、または汎用マルチモーダルモデル multimodal-embedding-v1 を使用します。

• 大規模データの処理：大規模で非リアルタイムのテキストデータを処理するには、qwen3.7-text-embedding または text-embedding-v4 を OpenAI 互換バッチ API とともに使用することで、コストを大幅に削減できます。

この表は、利用可能なすべての埋め込みモデルの仕様を詳述しています。

テキスト埋め込み

マルチモーダル埋め込み

このモデルは、テキスト、画像、または動画の入力から埋め込みを生成します。これらの埋め込みを、動画および画像の分類、画像とテキストの検索、テキストによる画像検索またはテキストによる動画検索などのタスクに使用できます。

API は、単一のテキスト、画像、または動画の入力、およびテキストと画像のような組み合わせを受け入れます。一部のモデルは、複数の画像など、同じタイプの複数の入力をサポートします。詳細については、各モデルの制限事項をご参照ください。

入力と言語の制限

コア機能

ベクトル次元のカスタマイズ

qwen3.7-text-embedding、text-embedding-v4、text-embedding-v3、tongyi-embedding-vision-plus、tongyi-embedding-vision-flash、qwen3-vl-embedding モデルは、カスタムベクトル次元をサポートしています。次元が高いほど、より多くのセマンティック情報が保持されますが、ストレージと計算コストが増加します。

• 一般的なユースケース (推奨)：1024 次元は、パフォーマンスとコストの最適なバランスを提供し、ほとんどのセマンティック検索タスクに最適です。
• 高精度シナリオ：高精度を必要とするアプリケーションでは、1536 または 2048 次元を選択できます。これにより精度が向上しますが、ストレージと計算のオーバーヘッドが大幅に増加します。
• リソースに制約のある環境：コストに敏感なシナリオでは、768 以下の次元を選択します。これにより、一部のセマンティック情報を犠牲にして、リソース消費を大幅に削減します。

import os
from openai import OpenAI

client = OpenAI(
    # API キーはリージョン固有です。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # これはシンガポールリージョンのベース URL です。{WorkspaceId} をご利用のワークスペース ID に置き換えてください。URL はリージョン固有です。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

resp = client.embeddings.create(
    model="qwen3.7-text-embedding",
    input=["I like it and will buy from here again"],
    # ベクトル次元を 256 に設定
    dimensions=256
)
print(f"Vector dimension: {len(resp.data[0].embedding)}")

import dashscope

# 中国 (北京) リージョンのモデルを使用する場合は、base_http_api_url を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

resp = dashscope.TextEmbedding.call(
    model="qwen3.7-text-embedding",
    input=["I like it and will buy from here again"],
    # ベクトル次元を 256 に設定
    dimension=256
)

print(f"Vector dimension: {len(resp.output['embeddings'][0]['embedding'])}")

クエリ vs. ドキュメントテキスト (text_type)

このパラメーターは、DashScope SDK および API を通じてのみ利用可能です。

検索タスクで最適な結果を得るには、その役割に基づいてコンテンツを異なる方法でベクトル化する必要があります。text_type パラメーターはこの目的のために設計されています：

• text_type: 'query'：ユーザーが提供するクエリテキストに使用します。モデルは、より指向性が高く、情報検索に最適化された「タイトルのような」ベクトルを生成します。
• text_type: 'document' (デフォルト)：ナレッジベースに保存されているドキュメントテキストに使用します。モデルは、より包括的な情報を含み、マッチングに最適化された「本文のような」ベクトルを生成します。

短いテキストと長いテキストを照合する場合、query と document を区別する必要があります。ただし、すべてのテキストが同じ役割を持つクラスタリングや分類などのタスクでは、このパラメーターを設定する必要はありません。

タスク命令 (instruct)

このパラメーターは、DashScope SDK および API を通じてのみ利用可能です。

明確な英語のタスク命令を提供することで、qwen3.7-text-embedding および text-embedding-v4 モデルを特定の検索シナリオに合わせてベクトル品質を最適化し、精度を向上させることができます。qwen3.7-text-embedding は text-embedding-v4 よりも命令追従能力が 16.4% 向上しているため、最初に使用することを推奨します。この機能を使用する場合、text_type パラメーターを query に設定する必要があります。

# 例: ドキュメントベクトルを構築する際に検索品質を最適化するための命令を追加します。
resp = dashscope.TextEmbedding.call(
    model="qwen3.7-text-embedding",
    input="Research papers on machine learning",
    text_type="query",
    instruct="Given a research paper query, retrieve relevant research paper"
)

密ベクトルと疎ベクトル

このパラメーターは、DashScope SDK および API を通じてのみ利用可能です。

qwen3.7-text-embedding、text-embedding-v4、および text-embedding-v3 モデルは、さまざまな検索戦略に対応するために 3 つのベクトル出力タイプをサポートしています。qwen3.7-text-embedding の疎埋め込みは、新しい SPLADE のようなトレーニング戦略を使用しており、効果を 8.4% 向上させ、クロス言語検索のサポートを追加しています。

ユースケース

以下のコードはデモンストレーションのみを目的としています。本番環境では、埋め込みを事前に計算し、ベクトルデータベースに保存してください。これにより、検索のためにクエリ埋め込みを生成するだけで済みます。

セマンティック検索

クエリ埋め込みとドキュメント埋め込みの間の類似度を計算することにより、正確なセマンティックマッチングを実行します。

import dashscope
import numpy as np
from dashscope import TextEmbedding

# 中国 (北京) リージョンのモデルを使用するには、base_http_api_url を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1 に変更してください
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

def cosine_similarity(a, b):
    """コサイン類似度を計算します。"""
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

def semantic_search(query, documents, top_k=5):
    """セマンティック検索を実行します。"""
    # クエリ埋め込みを生成します。
    query_resp = TextEmbedding.call(
        model="qwen3.7-text-embedding",
        input=query,
        dimension=1024
    )
    query_embedding = query_resp.output['embeddings'][0]['embedding']

    # ドキュメント埋め込みを生成します。
    doc_resp = TextEmbedding.call(
        model="qwen3.7-text-embedding",
        input=documents,
        dimension=1024
    )

    # 類似度を計算します。
    similarities = []
    for i, doc_emb in enumerate(doc_resp.output['embeddings']):
        similarity = cosine_similarity(query_embedding, doc_emb['embedding'])
        similarities.append((i, similarity))

    # 上位 k 件の結果をソートして返します。
    similarities.sort(key=lambda x: x[1], reverse=True)
    return [(documents[i], sim) for i, sim in similarities[:top_k]]

# 使用例
documents = [
    "Artificial intelligence is a branch of computer science",
    "Machine learning is an important method for achieving artificial intelligence",
    "Deep learning is a subfield of machine learning"
]
query = "What is AI?"
results = semantic_search(query, documents, top_k=2)
for doc, sim in results:
    print(f"Similarity: {sim:.3f}, Document: {doc}")

レコメンデーションシステム

ユーザーの行動履歴の埋め込みを分析して興味を特定し、類似のアイテムを推奨します。

import dashscope
import numpy as np
from dashscope import TextEmbedding

# 中国 (北京) リージョンのモデルを使用するには、base_http_api_url を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1 に変更してください
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

def cosine_similarity(a, b):
    """コサイン類似度を計算します。"""
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))
def build_recommendation_system(user_history, all_items, top_k=10):
    """レコメンデーションシステムを構築します。"""
    # ユーザー履歴の埋め込みを生成します。
    history_resp = TextEmbedding.call(
        model="qwen3.7-text-embedding",
        input=user_history,
        dimension=1024
    )

    # 平均化によりユーザーの嗜好埋め込みを計算します。
    user_embedding = np.mean([
        emb['embedding'] for emb in history_resp.output['embeddings']
    ], axis=0)

    # すべてのアイテムの埋め込みを生成します。
    items_resp = TextEmbedding.call(
        model="qwen3.7-text-embedding",
        input=all_items,
        dimension=1024
    )

    # レコメンデーションスコアを計算します。
    recommendations = []
    for i, item_emb in enumerate(items_resp.output['embeddings']):
        score = cosine_similarity(user_embedding, item_emb['embedding'])
        recommendations.append((all_items[i], score))

    # レコメンデーション結果をソートして返します。
    recommendations.sort(key=lambda x: x[1], reverse=True)
    return recommendations[:top_k]

# 使用例
user_history = ["Science Fiction", "Action", "Suspense"]
all_movies = ["Future World", "Space Adventure", "Ancient War", "Romantic Journey", "Superhero"]
recommendations = build_recommendation_system(user_history, all_movies)
for movie, score in recommendations:
    print(f"Recommendation Score: {score:.3f}, Movie: {movie}")

テキストクラスタリング

埋め込み間の距離を分析することで、類似したテキストをグループ化します。

# scikit-learn が必要です: pip install scikit-learn
import dashscope
import numpy as np
from sklearn.cluster import KMeans

# 中国 (北京) リージョンのモデルを使用するには、base_http_api_url を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1 に変更してください
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

def cluster_texts(texts, n_clusters=2):
    """テキストのセットをクラスタリングします。"""
    # 1. すべてのテキストの埋め込みを取得します。
    resp = dashscope.TextEmbedding.call(
        model="qwen3.7-text-embedding",
        input=texts,
        dimension=1024
    )
    embeddings = np.array([item['embedding'] for item in resp.output['embeddings']])

    # 2. KMeans アルゴリズムを使用してクラスタリングします。
    kmeans = KMeans(n_clusters=n_clusters, random_state=0, n_init='auto').fit(embeddings)

    # 3. 結果を整理して返します。
    clusters = {i: [] for i in range(n_clusters)}
    for i, label in enumerate(kmeans.labels_):
        clusters[label].append(texts[i])
    return clusters

# 使用例
documents_to_cluster = [
    "Mobile phone company A releases a new phone",
    "Search engine company B launches a new system",
    "World Cup final: Argentina vs. France",
    "China wins another gold medal at the Olympics",
    "A company releases its latest AI chip",
    "European Cup match report"
]
clusters = cluster_texts(documents_to_cluster, n_clusters=2)
for cluster_id, docs in clusters.items():
    print(f"--- Cluster {cluster_id} ---")
    for doc in docs:
        print(f"- {doc}")

テキスト分類

入力テキストの埋め込みと事前定義されたラベル埋め込みとの類似度を計算することで、ゼロショットテキスト分類を実行します。このプロセスは、事前にラベル付けされた例を必要とせずに、テキストを新しいカテゴリに分類します。

import dashscope
import numpy as np

# 中国 (北京) リージョンのモデルを使用するには、base_http_api_url を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1 に変更してください
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

def cosine_similarity(a, b):
    """コサイン類似度を計算します。"""
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

def classify_text_zero_shot(text, labels):
    """ゼロショットテキスト分類を実行します。"""
    # 1. 入力テキストとすべてのラベルの埋め込みを取得します。
    resp = dashscope.TextEmbedding.call(
        model="qwen3.7-text-embedding",
        input=[text] + labels,
        dimension=1024
    )
    embeddings = resp.output['embeddings']
    text_embedding = embeddings[0]['embedding']
    label_embeddings = [emb['embedding'] for emb in embeddings[1:]]

    # 2. 各ラベルとの類似度を計算します。
    scores = [cosine_similarity(text_embedding, label_emb) for label_emb in label_embeddings]

    # 3. 最も類似度の高いラベルを返します。
    best_match_index = np.argmax(scores)
    return labels[best_match_index], scores[best_match_index]

# 使用例
text_to_classify = "The fabric of this dress is comfortable, and the style is nice too"
possible_labels = ["Digital Products", "Apparel & Accessories", "Food & Beverage", "Home & Living"]

label, score = classify_text_zero_shot(text_to_classify, possible_labels)
print(f"Input text: '{text_to_classify}'")
print(f"Best matching category: '{label}' (Similarity: {score:.3f})")

異常検知

テキストの埋め込みと正常なサンプルの中心埋め込みとの類似度を計算することで、異常データを特定します。このパターンから著しく逸脱したデータは異常と見なされます。

例の threshold はデモンストレーション目的です。理想的な値はデータの内容と分布によって異なるため、ご自身のデータセットを使用して調整する必要があります。

import dashscope
import numpy as np

# 中国 (北京) リージョンのモデルを使用するには、base_http_api_url を https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1 に変更してください
dashscope.base_http_api_url = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1"

def cosine_similarity(a, b):
    """コサイン類似度を計算します。"""
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

def detect_anomaly(new_comment, normal_comments, threshold=0.6):
    # 1. すべての正常なコメントと新しいコメントの埋め込みを生成します。
    all_texts = normal_comments + [new_comment]
    resp = dashscope.TextEmbedding.call(
        model="qwen3.7-text-embedding",
        input=all_texts,
        dimension=1024
    )
    embeddings = [item['embedding'] for item in resp.output['embeddings']]

    # 2. 正常なコメントの中心埋め込み (平均) を計算します。
    normal_embeddings = np.array(embeddings[:-1])
    normal_center_vector = np.mean(normal_embeddings, axis=0)

    # 3. 新しいコメントの埋め込みと中心埋め込みの類似度を計算します。
    new_comment_embedding = np.array(embeddings[-1])
    similarity = cosine_similarity(new_comment_embedding, normal_center_vector)

    # 4. 異常かどうかを判断します。
    is_anomaly = similarity < threshold
    return is_anomaly, similarity

# 使用例
normal_user_comments = [
    "Today's meeting was productive",
    "The project is progressing smoothly",
    "The new version will be released next week",
    "User feedback is positive"
]

test_comments = {
    "Normal comment": "The feature works as expected",
    "Anomaly - meaningless garbled text": "asdfghjkl zxcvbnm"
}

print("--- Anomaly Detection Example ---")
for desc, comment in test_comments.items():
    is_anomaly, score = detect_anomaly(comment, normal_user_comments)
    result = "Yes" if is_anomaly else "No"
    print(f"Comment: '{comment}'")
    print(f"Is anomaly: {result} (Similarity to normal samples: {score:.3f})\n")

API リファレンス

• 一般的なテキスト埋め込み
  • 同期処理 API
• マルチモーダル埋め込み

  マルチモーダル埋め込み API

エラーコード

モデルの呼び出しが失敗し、エラーメッセージが返された場合は、解決策について「エラーコード」をご参照ください。

レート制限

モデルのレート制限条件については、「レート制限」をご参照ください。

モデルのパフォーマンス (MTEB/CMTEB)

評価ベンチマーク

• MTEB (Massive Text Embedding Benchmark)：分類、クラスタリング、検索などのタスクにおけるテキスト埋め込みの汎用的なパフォーマンスを評価する包括的なベンチマークです。
• CMTEB (Chinese Massive Text Embedding Benchmark)：中国語のテキスト埋め込みを評価するために特化した大規模なベンチマークです。
• スコアは 0 から 100 の範囲です。スコアが高いほど、パフォーマンスが良いことを示します。