基于bge-m3的焊接垂直领域语义向量模型微调

最新推荐文章于 2025-04-17 20:46:55 发布

小马不会过河

最新推荐文章于 2025-04-17 20:46:55 发布

阅读量1.9k

点赞数 9

文章标签：人工智能自然语言处理深度学习 embedding 数据分析

本文链接：https://blog.csdn.net/m0_59163425/article/details/145057877

版权

前言

说实话，之前对语义向量模型并不看重，甚至还一度把语义向量模型和以word2vec为代表的词向量模型搞混，直到看了“大耳朵爱学习”发布的博文《RAG 高效应用指南：Embedding 模型的选择和微调》，才意识到语义向量模型对于RAG的重要意义，所以决定好好学习一下。

向量模型简单介绍

万物皆可 Embedding，尤其在推荐系统、自然语言处理以及计算机视觉等领域，它类似于“人类大脑感知神经”，承担着至关重要的角色。其核心在于将高维且稀疏的数据转化为低维且密集的向量形式，这样的转换有助于揭示数据中的语义或特征联系。具体而言，Embedding 通过多维密集向量来表征事物的各种属性，进而在一个连续的向量空间内描绘出不同事物之间的相似性与差异。采用这种方式，不仅计算效率得到提升，而且模型对于数据深层次结构和关系的把握能力也得到了加强。

向量模型在RAG中的重要性

语义向量模型在RAG中的作用可以比作“索引编排器”，如果模型在对私域知识进行向量化表示的过程中表现不佳，那么即使 RAG 系统在其它方面设计得当，最终效果也难以达到预期水平。

对于向量模型，之前关注的重点多是语言类型和模型规模，偶尔看看向量的维度，所以一直忽略了处理上下文长度这一关键参数，真实情况是：如果文本的输入长度大于向量模型支持的最大 tokens 长度，则文本被会截断，从而破坏了文本的完整性，这样会直接影响下游任务的效果。

之前国内的开源向量模型的输入长度一般是512tokens，这个长度很难在实际生产环境获得好的效果。幸好，BAAI推出了超牛的BGE-m3模型，它的输入长度达到了8192tokens。

垂域内向量模型微调

重要优势

使用焊接垂直领域的数据来微调 BGE-M3 语义向量模型有以下几个重要优势：

1领域特异性优化

l 焊接领域有大量专业术语和特定表达方式

l 通用模型可能无法准确理解焊接领域的专业概念和语义关系

l 微调后的模型能更好地理解焊接相关的查询意图

2提升 RAG 系统效果

l 更准确的语义相似度计算

l 能更好地匹配用户查询与知识库文档

l 减少语义理解偏差

l 提高检索准确率

l 返回更相关的检索结果

l 降低无关文档的干扰

3实际应用价值

l 提升焊接领域问答系统的性能

l 更好地服务专业用户的信息需求

l 提高系统的实用性和可靠性

4技术优势

l BGE-M3 本身具有强大的多语言理解能力

l 通过领域数据微调可以保持模型基础能力

l 同时获得领域特定的语义理解能力

微调情况

模型概述

本模型是基于bge-m3进行微调获得的，目的是利用bge-m3的长文本处理能力来提升焊接知识问答的效果。

数据集

数据集来自于焊接业内一位大佬写的一本焊接缺陷相关的书，通过使用大模型，从书中抽取4000余条问答对，然后按照flagembedding微调方法的要求来制作所需的数据集。

模型训练参数

torchrun --nproc_per_node 1 /显卡数量

-m FlagEmbedding.finetune.embedder.encoder_only.m3 /微调模块

–model_name_or_path model/BAAI/bge-m3 /原始模型

–cache_dir ./cache/model

–train_data ./weld_train.jsonl /训练数据集文件

–cache_path ./cache/data /训练产生数据文件存储

–train_group_size 6 /训练样本组大小

–query_max_len 512 /问题的最大输入长度

–passage_max_len 2048 /答案的最大输入长度

–pad_to_multiple_of 8 /padding后的文本长度需是8的倍数

–knowledge_distillation True /启用知识蒸馏

–same_dataset_within_batch True

–small_threshold 0

–drop_threshold 0

–output_dir ./weld_imperfection

–overwrite_output_dir

–learning_rate 1e-5 /学习率

–fp16

–num_train_epochs 5

–per_device_train_batch_size 1

–dataloader_drop_last True

–warmup_ratio 0.1

–gradient_checkpointing /使用梯度检查点以节省显存

–deepspeed …/ds_stage0.json

–logging_steps 100

–logging_strategy steps

–save_steps 1000

–negatives_cross_device

–temperature 0.02

–sentence_pooling_method cls

–normalize_embeddings True

–kd_loss_type m3_kd_loss

–unified_finetuning True

–use_self_distill True

–fix_encoder False

–self_distill_start_step 0

–report_to tensorboard

–gradient_accumulation_steps 8 /梯度累积步长

–query_instruction_for_retrieval “”

训练过程

模型效果

=== 评估结果 ===

基座模型结果: recall@1: 0.4499 mrr@1: 0.8998 ndcg@1: 0.8998 recall@3: 0.5501 mrr@3: 0.9266 ndcg@3: 0.6229 recall@6: 0.5956 mrr@6: 0.9309 ndcg@6: 0.6455

微调模型结果: recall@1: 0.4895 mrr@1: 0.9790 ndcg@1: 0.9790 recall@3: 0.5781 mrr@3: 0.9883 ndcg@3: 0.6638 recall@6: 0.6096 mrr@6: 0.9889 ndcg@6: 0.6792

改进幅度: recall@1: +3.96% mrr@1: +7.93% ndcg@1: +7.93% recall@3: +2.80% mrr@3: +6.18% ndcg@3: +4.09% recall@6: +1.40% mrr@6: +5.80% ndcg@6: +3.38%

从结果可看出，top-1的MRR指标提升了近8%。

收尾

训练好的模型已经上传到魔搭社区，欢迎大家下载试用，后面如果有更好的模型，会持续更新。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述