背景介绍
关键词检索及其局限
在信息检索领域,“传统”方式是通过关键词进行信息检索,其大致过程为:
- 对原始语料(如网页)进行关键词抽取。
- 建立关键词和原始语料的映射关系,常见的方法有倒排索引、TF-IDF、BM25等方法,其中TF-IDF、BM25通常用稀疏向量(Sparse Vector)来表示词频。
- 检索时,对检索语句进行关键词抽取,并通过步骤2中建立的映射关系召回关联度最高的TopK原始语料。编辑
但关键词检索无法对语义进行理解。例如,检索语句为“浙一医院”,经过分词后成为“浙一”和“医院”,这两个关键词都无法有效的命中用户预期中的“浙江大学医学院附属第一医院”这个目标。
基于语义的向量检索
随着人工智能技术日新月异的发展,语义理解Embedding模型能力的不断增强,基于语义Embedding的向量检索召回关联信息的方式逐渐成为主流。其大致过程如下:
- 原始语料(如网页)通过Embedding模型产生向量(Vector),又称为稠密向量(Dense Vector)。
- 向量入库向量检索系统。
- 检索时,检索语句同样通过Embedding模型产生向量,并用该向量在向量检索系统中召回距离最近的TopK原始语料。编辑
但不可否认的是,基于语义的向量检索来召回信息也存在局限——必须不断的优化Embedding模型对语义的理解能力,才能取得更好的效果。例如,若模型无法理解“水稻灌溉”和“灌溉水稻”在语义上比较接近,就会导致无法通过“水稻灌溉”召回“灌溉水稻”相关的语料。而关键字检索在这个例子上,恰好可以发挥其优势,通过“水稻”、“灌溉”关键字有效的召回相关语料。
关键词检索+语义检索
针对上述问题,逐渐有业务和系统演化出来“两路召回、综合排序”的方法来解决,并且在效果上也超过了单纯的关键字检索或语义检索,如下图所示:
但这种方式的弊端也很明显:
- 系统复杂度增加。
- 硬件资源(内存、CPU、磁盘等)开销增加。
- 可维护性降低。
- ......
具有关键词感知能力的语义检索
向量检索服务DashVector同时支持Dense Vector(稠密向量)和Sparse Vector(稀疏向量),前者用于模型的高维特征(Embedding)表达,后者用于关键词和词频信息表达。DashVector可以进行关键词感知的向量检索,即Dense Vector和Sparse Vector结合的混合检索。
DashVector带关键词感知能力的向量检索能力,既有“两路召回、综合排序”方案的优点,又没有其缺点。使得系统复杂度、资源开销大幅度降低的同时,还具备关键词检索、向量检索、关键词+向量混合检索的优势,可满足绝大多数业务场景的需求。
说明
Sparse Vector(稀疏向量),稀疏向量是指大部分元素为0,仅少量元素非0的向量。在DashVector中,稀疏向量可用来表示词频等信息。例如,{1:0.4, 10000:0.6, 222222:0.8}
就是一个稀疏向量,其第1、10000、222222位元素(分别代表三个关键字)有非0值(代表关键字的权重),其他元素全部为0。
使用示例
前提条件
- 已创建Cluster: 创建Cluster。
- 已获得API-KEY: API-KEY管理。
- 已安装最新版SDK: 安装DashVector SDK。
Step1. 创建支持Sparse Vector的Collection
说明
- 需要使用您的api-key替换以下示例中的 YOUR_API_KEY、您的Cluster Endpoint替换示例中的YOUR_CLUSTER_ENDPOINT,代码才能正常运行。单击 Cluster详情了解如何查看Cluster Endpoint。
- 本示例仅对Sparse Vector进行功能演示,简化起见,向量(Dense Vector)维度设置为4。
Python:
重要
仅内积度量(metric='dotproduct'
)支持Sparse Vector功能。
Step2. 插入带有Sparse Vector的Doc
Python:
说明
向量检索服务DashVector推荐使用 DashText生成Sparse Vector。
Step3. 带有Sparse Vector的向量检索
Python:
Sparse Vector生成工具
- DashText,向量检索服务DashVector推荐使用的SparseVectorEncoder, DashText。