下一代的搜索引擎是什么样子？神经网络真的能「死记硬背」吗？

卷友们好，我是rumor。

目前搜索引擎技术已经迭代很多年了，从纯字面的匹配、到统计特征的匹配，再到神经网络的匹配，虽然一直在小步快走，但仍然没有跳出现有的Pipeline框架：即先召回、再排序。

召回是指从海量数据中筛出一小批可能的候选，排序是从一小批候选中找出最终的答案并进行排序。现有的Pipeline大多是在召回侧用字面或者浅层网络，不然数据量太大了根本处理不过来，而排序侧因为数据量小，会上更多的特征和模型。

这种架构的一个关键问题是，召回代表着天花板，如果召回阶段没把对的文本选出来，那排序再怎么排都没用。而召回又不能上太大的在线模型，只能离线挖掘出更多的feature，比如能代表文档主题的内容标签，来提升召回的效果。但这样就意味着更多的人力成本。

目前比较优雅的方法，是用双塔模型，离线把海量数据压缩成一个个embedding，线上来一个query，双塔encoder只用把这一个query映射到相同的空间，就能通过浅层匹配或者cosine相似度的方式召回。但这个方法还有个问题，就是跟排序模型虽然目标差不多，但还是各做各的，排序模型在优化目标时没有把梯度传给召回模型。近几年也有学者提出联合训练的方法，比如ORQA^[1]和REALM^[2]。

但你懂的，最优雅的还是用一个模型把一切都端到端化。

同时输入query和候选肯定是不可能的，等检索完GPT100都出来了，那有没有可能让模型提前把候选记住，搜索时只输入一个query，模型直接输出所有结果？

死记硬背？

最直接的想法，就是输入query文本，输出答案文本。

在EMNLP20有一篇谷歌文章^[3]，直接在预训练后的T5上用问答数据精调，发现在不访问外部知识的情况下，预测结果可以接近当时的SOTA模型，证明T5本身在预训练就记住了很多知识。

然而这篇研究很快就被别打脸了^[4]，因为作者使用的数据集的train和test有很大一部分重合，很多答案在精调时都见过了，所以记得住。

接下来，浙大在ACL21的一篇工作^[5]更严格地探索了模型的记忆能力，作者模拟老师教书的过程：

1. 让学生看书，用LM的目标对知识库进行训练

2. 让学生考察是否记住书上的知识点，把一些答案span遮盖掉，让模型去预测，强化知识点的记忆

3. 问学生一些问题，用训练数据进行生成式精调，输入问题，输出答案

4. 期末测验，问一些问题，评估预测结果

这个方式看起来还蛮科学的，但结果却惊掉了我的下巴。

在只有20条SQuAD知识的封闭域内，答案只能做到20%的Exact match，而当时榜单的SOTA有90% 。

Differentiable Search Index

直接生产答案的方法是行不通了，而且就算可以，生成模型的速度也太慢了，等生成完GPT200都出了。

那换另一个思路行不行呢？让模型自己把知识记住，并且编码成索引，输入query后生成候选索引？

这就是谷歌最近一篇文章的思路：Transformer Memory as a Differentiable Search Index^[6]。

这篇文章让模型做了两件事情：

1. 建索引：训练时输入文本内容，输出docid，让模型记住该内容，并映射到索引ID上

2. 检索：训练时输入query，输出多个docid，相当于做了一个排序

不过实际做的时候，还有不少细节：

1. 把整个文档都输入也太慢了，最终发现只输入文档的前L个token就可以

2. DocId应该怎么表示？给每个文档都分配一个唯一id，这个值是离散的，最后需要一层softmax分类，有巨大的词表，而且不利于增删，最终发现把文档按照额外的语义向量进行聚类，再整理成一个层级结构的效果是最好的，如图

最终模型的效果非常惊喜，居然碾压了双塔的召回方式：

不过这个对比还有点不公平，既然是要做端到端的检索，应该跟双塔+排序去比较更有说服力。

总结

以上是我最近关注的一个小方向，可以看到，模型对离散知识的记忆能力真的太差了，但对于它自己编码的「连续」知识表现却还不错，感觉也是可以持续深入（shui）的一个topic。

融合外部知识是通用模型必须跨过的坎儿，而采用外挂还是记忆，目前为止还没有一个完美的答案。

参考资料

[1]

Latent Retrieval for Weakly Supervised Open Domain Question Answering: https://arxiv.org/abs/1906.00300

[2]

REALM: Retrieval-Augmented Language Model Pre-Training: https://link.zhihu.com/?target=https%3A//kentonl.com/pub/gltpc.2020.pdf

[3]

How Much Knowledge Can You Pack Into the Parameters of a Language Model?: https://aclanthology.org/2020.emnlp-main.437/

[4]

Question and answer test-train overlap in open-domain question answering datasets: https://arxiv.org/abs/2008.02637

[5]

Can Generative Pre-trained Language Models Serve as Knowledge Bases for Closed-book QA?: https://aclanthology.org/2021.acl-long.251.pdf

[6]

Transformer Memory as a Differentiable Search Index: https://arxiv.org/abs/2202.06991

---

欢迎对NLP感兴趣的朋友加入我们的「NLP卷王养成」群，一起学习讨论～

扫码添加微信备注「NLP」即可⬇️

---

大家好我是rumor

一个热爱技术，有一点点幽默的妹子

欢迎关注我

带你学习带你肝

一起在人工智能时代旋转跳跃眨巴眼

「谁来给我一个完美的答案」