语义向量模型for检索

one-hot

基于词库构建一个向量，向量的每一维对应词库中的一个词，当向量值为1时，表示对应维度的词出现在句子中，反之则则值为0。

例如：

• 词库：你，我，他，喜欢，吃，苹果

• 句子：他/喜欢/吃/苹果 (/表示分词)

• 句子向量：[0,0,1,1,1,1]

**意义：**保留句子中词出现与否的信息。

**用途：**即使是最低级普通的方法，也可以作为一种快速实现baseline的方法去做一些简单的文本分类任务。

tf-idf

如果是用于将句子表示为向量，与one-hot的区别就是将每个维度的值（0，1）替换为词的tf-idf值，tf-idf的计算公式如下：

$TF-IDF=TF\ast log\frac{D}{d+1}$

TF表示词i在文档（这里文档就是句子）中的词频（可根据文档总词数进行标准化，去除文档长度的影响），D表示文档总数，d表示包含词i的文档数

**意义：**词频越高表示该词对文档约重要，词同时出现在很多的文档中表示该词重要性降低。

**用途：**用作筛选重点词、特征表示、信息检索

BM25

bm25用来衡量查询与文档之间的相关系，本质上是对tf-idf的改进，其的完整公式如下：

$$Score(Q,D)=\sum _i^n{W}_i\cdot R(q_i,D)$$

Q和D分别表示查询和文档对应的文本，其中$W_i$表示查询Q中第i个词的权重，用IDF表示，（推理见：idf）。

$$Score(Q,D)=\sum _i^{n}log\frac{N-n(q_i)+0.5}{n(q_i)+0.5}\cdot R(q_i,D)$$

其中$R(q_i,D)$表示词i与文档之间相关性，在tf-idf中用词频来表示这一项。BM25中对这一项做了修改：

$$R(q_i,D)=\frac{f_i\cdot (k_1+1)}{f_i+K}\cdot \frac{q{f}_i\cdot (k_2+1)}{q{f}_i+k_2}$$

由两个因子的乘积表示，$f_i、q{f}_i$分别表示词i在文档和查询中的词频，$k_1、k_2、K$为超参。

• 前者表示词与文档的相关性，用词i在文档中的词频表示。
• 后者表示词语查询之间的相关性表示，用词i在查询中的词频表示，由于查询中多数词只出现一次因此后者值基本为1，可以省略

得到：

$$\begin{gathered} R(q_i,D)=\frac{f_i\cdot (k_1+1)}{f_i+K} \\ K=k_1(1-b+b\cdot \frac{dl}{avg(dl)}) \end{gathered}$$

这一项与tf-idf中的词频不同的是：

• 限制词频上限，出于想法：文档中词的词频对词重要性的影响达到一定阈值后，不会再有大的影响
• 考虑文档长度dl，当文档长度大于均值时词与文档之间的相关性变小，反之变大。

最后：

$$Score(Q,D)=\sum _i^{n}log\frac{N-n(q_i)+0.5}{n(q_i)+0.5}\cdot \frac{f_i\cdot (k_1+1)}{f_i+k_1(1-b+b\cdot \frac{dl}{avg(dl)})}$$

b常取0.75，$k_1、k_2$常取1.2~2

与TF-IDF的区别：

• 限制词频上限，词频理论上是无线增长的，而BM25中$\frac{f_i\cdot (k_1+1)}{f_i+K}$上限为$k_1+1$。
  

• 考虑文档长度对词i与文档之间相关性的影响。直观上，当文档越短，随着词i的词频增加，词i与文档之间的相关性应该快速收敛到上限，反之，收敛速度慢。正如$\frac{f_i\cdot (k_1+1)}{f_i+k_1(1-b+b\cdot \frac{dl}{avg(dl)})}$中参数b控制的，当b=0时不考虑文档长度对收敛速度的影响。

  

BERT embedding（2018）

BERT刚出世的时候横扫各大榜单，但是用bert来进行句子嵌入效果缺很差。

语义相似度与bert预训练之间的联系

MLM可以简化为对给定上文$c$对token $x$的条件概率进行建模：

其中$h_c,w_x$分别表示$c,x$的嵌入表示。其中$h_c^T{w}_x$可以分解为如下形式：

PMI衡量二者之间的相关性，表示$c,x$共现相对于二者独立出现的频繁程度。共现的统计是一个典型的处理语义的工具。那么可以看出MLM的预训练过程中上下文与token之间的语义关系有被涉及到并加强。因此通过token作为中间枢纽（出现同一个token的上下文），上下文与上下文（也可以看成句子与句子之间）的语义关系也涉及并加强。那么为什么bert embedding效果不好呢。

为什么bert embedding效果不好？

bert的embedding空间被验证是各向异性的。

**什么是各向异性：**bert-flow论文中提到词嵌入在向量空间中占据一个狭窄的圆锥体。在物理学上的含义是“物质的全部或部分化学、物理等性质随着方向的改变而有所变化，在不同的方向上呈现出差异的性质”。

链接: 参考

各项异性的缺陷：向量空间不均匀。任意取两个点之间的相似度都比较高。语义表征的能力退化严重。

为什么BERT embedding 空间出现各向异性：感性的理解，从bert的训练目标看，给定上下文表示正样本表示会被推向接近上下文的地方，而负样本表示会远离上下文。对上下文来看，大多数token都是负样本且被推远。对单个上下文看，推远的方向可能有很多。但对很多上下文而言，他们共同的负方向会呈现聚集状态。最终向量空间的二维表示如下：

此外bert-flow作者观察到bert的embedding空间有两个现象

• embedding空间对词频是有偏的，高频词距离原点近，低频词距离原点远。

  直观上来讲，我们希望embedding产生的相似度是与语义相关。但如果embedding空间的分割是按词频统计来，那么空间下表示的相似度将没有意义。（从上下文与token的内积分解公式也可以得出结论）

• 低频词分布十分稀疏。如上表所示，随着词频越来越稀疏，其与最近邻的距离在变大。

  稀疏带来的问题是：

  低频词的语义空间周围存在很多“空洞”，很难去定义其语义。当我们利用平均池化去得到句向量时，平均池化是一个保凸运算，而“空洞”违背了嵌入空间的凸性

  直观上看，只有呈现一定的局部聚集的状态，这些片空间才可以去定义其语义。而稀疏的情况导致，低频词的表示没有意义。

SBERT（2019）

基于bert应用于句子对打分这类任务上存在两个问题：

1. 通过微调的bert去做句子对的计分非常慢，需要多次推理，例如从5000w个句子库中找出于输入句子最相似的需要5000w次推理（V100GPU，60h/its），这里一次完整的推理是指一次完成的前向传播过程，比两个向量计算一次余弦相似度显然跟花时间。

   注意：

   如果直接输入句子对到bert中，属于交互式，如下所示，两个句子直接很早就进行特征交互。因此无法通过离线的方式节省查询集合里的所有句子对应的计算量（整个前向过程是与输入句子耦合在一起的）

   

2. 直接利用bert去获得cls token做为句子表示、或者利用meanpooling去做句子表示效果差，不能反映两个句子之间的语义相似度：

   比如文本语义相似度任务：

   

   利用该embedding去用于LR这样的模型微调时（与bert论文用于下游任务的方式一致），效果蛮好，例如在SentEval基准下的一系列任务：

   

   论文给出如下解释：语义匹配对embedding向量的所有维度一视同仁，但是LR训练后是允许embedding向量某些维度对分类结果产生不同的影响。

SBERT实际上设计了一种bert微调方式，基于SNLI和STS这样的语料进行微调。例如下图，句子对分类任务用如下结构的微调方式。

注意：

1. 这是一个孪生网络的结构，这样的结构在得到embedding之前两边是分离的，没有任何特征交叉，因此假设如下场景：需要在5000w条句子中多次查询与查询句子最相似的，此时不需要每次新的查询都需要去计算5000w句子的embedding，5000w句子的embedding可以离线计算好。因此这种方式会有性能上的提升。

2. 提升性能的额外角度：由于在孪生网络两边的句子在embedding之前都没有特征交互，所以bert部分涉及的计算量也是偏少的（粗略感知，从原来的O(N+M)^2 变成O(M ^2+N ^2))，而且可以利用ANN方法做进一步加速

3. SNLI是句子对的语义关系推理的数据集，关系包括（矛盾，蕴含，中立）三种情况；STS是语义文本相似度任务。

   SNLI

   

   STS

   

4. |u-v|这样的特征构建在分类任务训练上有很大的提升。

CoSENT（2022）

CoSENT提出了在对bert基于文本匹配的标注数据进行有监督训练，用于获取通用embedding的场景下，如果采用余弦相似度作为优化目标则效果很差。

**原因：**如果在分类任务中利用cos定义了一个回归类型的损失函数。这样的转变倾向于告诉模型：相似的句子对需要得到接近与1的cos值，而不相似的句子对需要得到接近与-1的cos。这与相似的定义是不符的。两个句子除非完全一模一样，则cos为1，其余相似的句子不应该让其完全与1相等，反之即使是两个语义不一样的句子，又有可能存在一定的“相似”，其值不应该完全为0。那么应该如何定义其cos值，就是一个很难处理的问题（并不是所有的数据集都可以标注句子对的相似度值）。原因似乎是通过回归损失我们间接的给了模型一个错误的优化方向。

**变化：**引入如下损失，设计的初衷是让对于任意的正样本对和负样本对，都有正样本对cos值大于负样本对cos值，这里直接避免了上述问题。

与sbert相比：引用原本分析原因。1、sbert在损失上的设计需要初始模型下$|u-v|$有一定的聚类倾向。这潜在的引入了风险。2、训练与预测阶段不一致，预测阶段毕竟还是利用cos值。而CoSENT在设计上避免了这两个问题。

ConSENT（2021）

BERT在有监督的情况下可以在下游任务中有不错的表现，但是bert导出的原生的句子表征被证明质量很低。直接上实验图：

左图为bert embedding在STS任务上的结果，即使是被标注为完全不相关的句子对，bert embedding也会得到很高相似度（相似度值分布于0.6~1.0）。

**方案：**ConSENT提出的解决方案是对比学习+bert，二者结合达成“来自同一个句子的数据增强样本之间相似（正样本），同时与其他句子（负样本，同一个batch内）保持距离”的目标。以一次前向传播过程介绍方案：

1. 从数据中获取一个batch=N的句子样本。

2. 选取两个数据增强的方法，分别对每个句子进行扩展，得到2N个扩展后的样本。数据增强的方案有四种：给句子embedding矩阵加噪、打乱token顺序、随机在token维度（0.15）或者feature维度（0.2）切除、 给句子embedding矩阵做dropout。实验表明，shuffle+feature cutoff组合效果最佳

   

3. 2N个“句子”输入到bert中，针对每个“句子”，对bert的output做平均池化得到对应的表征向量

4. 计算损失：损失函数的目的是方案中提到的目标。

   其中$r_{i},r_{j}属于正样本对，r_{i},r_{k} (k\neq j) $属于负样本。一个batch中的每个样本只有一个正样本（由同一个句子经过两个augmentation方案得到），batch中的其他样本都可以作为负样本。$\tau$属于温度系数（0.1）

   这里同样使用了cos相似度的计算方式，并作为损失函数，并没有带来效果差的问题。我们观察损失可以发现，对比学习本身并不关注相似度的绝对值，因此不会面临“强制要求相似的分值趋向于1，不想死的分值趋向于-1”这样不合理的情况。

   

整体流程如下：

除了上面描述的整个自监督的流程，论文中还提到了如何去整合监督信息，利用有标注的数据。以NLI的句子分类（3分类，矛盾，蕴含，中立）任务举例：

• 联合训练，利用一个超参（0.15）对有监督部分的损失加权
• 先基于NLI数据集训练，再用自监督方法基于目标数据集训练
• 先基于NLI数据进行联合训练，再利用自监督部分损失基于目标数据集训练

在最后实验过程中，取ConSETN最后两层输出的平均池化。作者还分析了自监督下，模型对样本量的需求，发现在STS任务中只需要1000条样本即可达到与有监督相同的结果。

BERT embedding为什么差

bert的词表征空间是各向异性的，高频词之间聚集，低频词稀疏。在经过平均池化后高频词主导embedding的表征，导致没有区分度。论文用实验去验证这一点：通过去除高频词，观察随着去除高频词的数量变化，bert embedding在STS任务上的效果。发现随着去除高频词，句子表征逐渐有了区分度。结果如下：

SimCSE（2021）

a simple contrastive sentence embedding framework

SimCSE内容很简单，基于预训练语言模型利用对比学习，句子embedding的方案，分为无监督和有监督两种

无监督SimCSE

以一次前向传播过程来描述一下SimCSE无监督训练过程：

1. 给定一个batch的数据，包含n个句子

2. 对每个句子$x_i$有$x_i^{+}=x_i$，对$x_i^{+},x_i$分别通过bert或者其他预训练模型编码得到对应的向量，再分别对向量进行不同的dropout mask 得到$h_i^{+},h_i$。这是一对正样本。

3. 计算如下损失

   学习的目标就是标准的对比学习的思想，让正样本在空间上靠近，同时分离负样本。这里负样本就是batch内其他句子对应的dropout mask

   

有监督SimCSE

以NLI数据集（一个句子对分类任务，类别分为蕴含、中立、矛盾）上的一次前向传播过程来描述SimCSE有监督训练过程：

1. 将原本的样本$(s_1,s_2,label)$转为$(s_1,s_1^{+},s_1^{-})$的格式，$s_1^{+}$表示$s_1$的正样本(与$s_1$的label为蕴含的句子)，$s_1^{-}$为$s_1$的强负样本（label为矛盾的句子，加入强负样本相对于仅仅用batch内其他样本作为负样本在效果上有比较明显的提升，见下表）。NLI支持构建这样的三元组，因为每个句子都包含一个与之对应关系为蕴含、矛盾、中立的句子。所以不是所有数据集都能满足这样的转变

   

2. 对每个三元组样本计算如下损失

   与无监督相比，分母中加入了强负样本和batch内其他样本的负样本（这里貌似每个样本的负样本数量也变多了，假设与无监督使用相同的batchsize。在实验部分，实验表明这里单单考虑强负样本并没有改善效果），正样本来自标注。

Alignment and uniformity

对比损失可以分解为Alignment和uniformity两点，其中：

Alignment表示相似的点距离接近。

uniformity表示空间中点的均匀性，均匀意味着跟多的信息量，从熵的角度看，均匀分布的信息量是最多的。

RetroMAE（2022）

《RetroMAE: Pre-Training Retrieval-oriented Language Models Via Masked Auto-Encoder》

Dense retrieval：将query和doc向量化，接着可以通过ANN等方法高效的查找与query相关的文档。向量化的方法对检索的质量至关重要。

面向检索的预训练语言模型：bert等预训练模型的预训练任务多是token级别的，并没有很好的句子或者段落级别的表征能力。见PRE-TRAINING TASKS FOR EMBEDDING-BASED LARGE-SCALE RETRIEVAL，如下图所示：，MLM下模型的召回偏弱。因此需要训练面向检索的预训练语言模型。

下图中涉及到三个段落级别的预训练任务，分别是：

• ICT(Inverse Cloze Task):句子与周围句子之间相似
• BFS(Body First Selection):文档首段中的句子与其他段落之间相似
• WLP(Wiki Link Prediction):文档首段中的句子与文档中超链接指向的文档中的段落相似

两条改进的技术路线：对比学习和MAE

MAE

**方案：**本文设计的预训练方案如下图所示

1. encoding：给定句子X，以相对较低的比例（15~30%）随机mask一些token，使用一个bert结构的编码器对mask之后的句子进行编码，取cls向量作为句子的embedding，如下图A

2. decoding：针对句子$X$以较高的比例(50~70%)mask一些token，然后拼接上encoding阶段得到的句子embedding。利用一个一层的tranformer进行解码，如图B。可以发现，这里更高的mask比例以及一层的网络设计，其目的是为了逼迫encoding阶段产生质量高的句子表示

3. 作者进一步优化了第二步的decoding任务。如图C

   • 不仅重构mask部分的token，还重构整个句子

   • 重构时依赖不同的上下文

     通过随机抽样s来完成，比如当重构$x_1$时，从句子中非$x_1$的token中随机抽样一些token，同时凭借上encoding阶段的句子表示构成上下文序列（作为k,v），依赖查询q（用句子embedding+$x_1$的位置编码表示）来计算注意力权重。最后解码。

     

     

     

BGE（2023）

1. 利用RetroMAE训练预训练模型

2. BGE 针对中文、英文分别构建了多达120M、232M的样本对数据，借助负采样扩增与难负样例挖掘进一步提升对比学习的难度，实现了多达65K的负样本规模，增强了语义向量的判别能力

3. 借鉴 Instruction Tuning的思想，采取了非对称的指令添加方式，在问题端添加场景描述， 提升语义向量在多任务场景下的通用能力

   

效果展示：

链接: 参考