实践过程
bi-encoder
借助huggingface上开源的预训练模型对query和doc分别编码,然后计算embedding编码的余弦相似度。这种方法query只需编码一次,但是分别编码的query和doc不能充分利用大规模语料库的信息。
在Bert模型中,句子的编码常常使用[cls]符对应位置的编码来替代,这是因为Bert可以看到双向信息,即便[cls]在句子开始处,只要设置恰当的训练任务就可以编码语义信息。然而GPT模型只能看到单向的信息,因此常见的做法是使用最后一个token的编码和编码整个句子的信息。
不少和bi-encoder相关的文章都提到平均池化(mean-pooling)通常会有更好的表现。
图 1平均池化
处理流程如下:
图 2 biencoder
具体实现代码可参考biencoder.py。
cross-encoder
在Cross-Encoder中,query和doc一起作为输入,模型输出可以衡量这种组合中语义的合理性。优点是可以充分利用大规模语料库中的语义信息,缺点在于对于不同doc,query需要重复被编码。
从而有:
最后使用,其中out_i代表query token所对应的输出,因为对于所有文档而言,query是相等长度的,因此无需进行归一化。
该值一定是负数,其越接近0,代表query和doc相关度越高。
处理流程如下:
测试用例:
输出结果:
中文预训练模型
对于bi-encoder,需要找到基于中文语料库训练的小型bert模型,可以使用bert-base-chinese(bert-base-chinese · Hugging Face)。
对于cross-encoder,需要找到基于中文语料库的小型gpt模型,可以使用gpt2-chinese。需要注意的是,作者在huggingface中开放了多种中文gpt2预训练模型,本项目中使用的是uer/gpt2-chinese-cluecorpussmall(uer/gpt2-chinese-cluecorpussmall · Hugging Face)。