基于 RAG 实现大模型商品智能检索

目录

概述

名词解释

思路分析

数据准备 & 数据切片

向量化 & 数据存储

数据检索（我们省略了重排序步骤，感兴趣的小伙伴可以自行了解以下 rerank 模型）

返回数据处理

---

概述

传统商品检索需要依赖人工解析和构建商品的描述字段，将商品信息存入 ElasticSearch 或数据库，然后通过分词查询结合多重条件（类别或其他属性）检索到匹配的商品。

但是在传统检索中，因为分词本身的特点，经常会遇到误匹配的问题，例如：我们检索 "苹果耳机"的时候，往往会出现苹果和耳机的相关商品，导致客户体验效果不佳。

为了让检索更人性化，我们可以借助 RAG 技术，在传统分词搜索的基础上融入向量检索的能力，从而获得更贴近人类需求的检索效果。

名词解释

在开始之前，我们先把本文中需要用到的一些技术/接口/产品的专有名词做个说明，方便大家更好地理解文档：

• RAG： 检索增强生成(Retrieval-augmented Generation)，简称 RAG

• ES： Elasticsearch 是一个开源的分布式搜索和分析引擎，常用于实时搜索、日志分析、数据可视化等应用

• BES：百度 Elasticsearch（BES）是百度托管的 Elasticsearch 服务，完全兼容开源 Elasticsearch 的功能

• Embedding：向量是一种数学技术，用于将对象或概念映射到高维空间，通过向量表示捕捉语义关系和数据结构

• Prompt：用户或程序向模型提供的输入文本或指令，以引导模型生成特定类型或内容的响应

• ERINIE 4.0：百度自行研发的文心产业级知识增强大语言模型 4.0 版本

思路分析

好了，我们看一下整体的实现思路：

1. 数据准备：解析文档中的商品信息

2. 数据切片：商品信息按照一定规则进行切片

3. 向量化：对切片信息进行向量化处理

4. 数据存储：将商品信息及其向量信息存储到向量数据库

5. 数据检索：将检索的内容进行向量化存储，利用向量数据库的向量检索能力召回最近似的商品切片信息

6. 重排序：对于召回的数据利用重排序算法，按照相似度由高到低重新排序

7. 返回数据处理：利用大模型解读排序后的商品切片信息，输出给用户

本文使用python编码。

整体的实现流程如下图所示：

数据准备 & 数据切片

我们准备了一个示例文档，大家可以这个文档来解析商品信息，也可以自己准备对应的数据。

示例数据：https://bcets.bj.bcebos.com/smzdm_product.pdf

准备好数据后，我们使用百度千帆 Appbuilder 的文档解析组件来提取文档内容（详细介绍和使用方法参考 DocParser ）

DocParser支持 PDF、JPG、DOC、TXT、XLS、PPT 等 17 种文档内容的解析，可解析得到文档内容、版式信息、位置坐标、表格结构等信息。

我们使用下面的代码解析示例的 PDF 文件：

from appbuilder.core.components.doc_parser.doc_parser import DocParser

from appbuilder.core.message import Message

msg = Message(file_path)

parser = DocParser()

parse_result = parser(msg)

page_contents = parse_result.content.page_contents

请注意 PageContent 类型信息比较零散，需要手动合并内容：

chunk = []

for layout in doc.page_layouts:

chunk.append(layout.text)

# 标题置顶

if doc.titles:

chunk.insert(0, doc.titles[0].text)

# 若有表格，此案例暂无

if doc.tables:

pass

return "\n".join(chunk)

按页对数据进行合并，并添加元信息：

docs = []

metadata = []

for page_content in page_contents:

result = merge_chunk(page_content)

docs.append(result)

metadata.append({"page": page_content.page_num + 1, "filename": file_path.split("/")[-1], "type": "pdf"}) ##获取内容文件元数据信息，方便追溯召回数据

return docs, metadata

提示：这时提取的数据粒度比较粗，要获取更好的最终效果，可以考虑将切分后的数据传给大模型，进一步提炼和完善。

向量化 & 数据存储

下面我们使用 千帆 embedding-v1 模型 进行数据向量转化，并将转化后的数据写入 BES 集群 索引中。

请注意传给模型的信息需要符合模型限制条件，通常文字长度更简短，语义更准确会有更好的向量检索效果：

• 参数中一次传入的文本数量不能超过 16 个

• 每个文本长度不能超过 384 tokens 且不能超过 1000 字符

将文本切分成小于 max_tokens 的字符串数组，并确保每个切片有 overlap_ratio 的重叠：

overlap_size = int(chunk_size * overlap_ratio)

chunks = []

start = 0

while start < len(text):

end = min(start + chunk_size, len(text))

chunks.append(text[start:end])

start += chunk_size - overlap_size

return chunks

调用 embedding 模型将数据向量化，并存入 BES ：

text_slices = []

if text_tokens > 500:

print(f"Notice: {text_tokens} tokens, too long. Splitting text...")

text_slices = split_text_with_overlap(page_text)

else:

text_slices = [page_text]

for slice_text in text_slices:

resp = qianfan.Embedding().do(model="embedding-v1", texts=[slice_text]) ##使用千帆 SDK 请求 embedding-v1 模型

data_list = resp.get('data', [])

if data_list and isinstance(data_list[0], dict):

embedding_info = data_list[0].get('embedding') ##获取 384 维的向量数据

page_info = {

"filename": file_path.name,

"page_num": page_content.page_num+1,

"text": slice_text,

"embeddings": embedding_info

}

res = es.index(index="intellisearchproduct", body=page_info) ##调用 es 接口将数据写入对应索引，注意索引对应向量字段也得是 384 维

#print(f"es write info: {page_info}\n,write result: {res}")

数据检索（我们省略了重排序步骤，感兴趣的小伙伴可以自行了解以下 rerank 模型）

接下来需要将客户查询的内容也转为向量数据：

input_text = request.json.get('input_text')

if not input_text:

return jsonify({'error': 'Missing input_text parameter'}), 400

resp = qianfan.Embedding().do(model="embedding-v1", texts=[input_text])

data_list = resp.get('data', [])

if data_list and isinstance(data_list[0], dict):

results = search_es(input_text, data_list[0].get('embedding'))

if results:

final_json = perform_source_tracking(input_text,results)

else:

return jsonify({'message': '未找到相关结果'})

else:

return jsonify({'message': '向量转化接口异常，数据列表为空或格式不正确'})

return jsonify(final_json)

然后传给 BES 发起向量检索，这里可以灵活构建聚合查询请求，比如配置常规查询与向量检索权重等，以提升检索效果。

以下是一个简单得查询示例：

query_body = {

"size": 3,

"query": {

"script_score": {

"query": {

"match_all": {}

},

"script": {

"source": "bpack_knn_script",

"lang": "knn",

"params": {

"k": 10, ##查询的最近邻的数量

"ef": 20, ##通过ef参数指定在每个shard检索时的候选队列大小，用于平衡查询性能和召回率，等同于ES8的num_candidates参数

"space": "cosine",

"field": "embeddings",

"vector": embedding_text

}

}

}

}

}

res = es.search(index="intellisearchproduct", body=query_body)

docs = []

for r in res["hits"]["hits"]:

print({"text": r["_source"]["text"], "filename": r["_source"]["filename"], "page_num": r["_source"]["page_num"], "score": r["_score"]})

docs.append({"text": r["_source"]["text"], "filename": r["_source"]["filename"], "page_num": r["_source"]["page_num"], "score": r["_score"]})

return docs

返回数据处理

将召回的结果传给大模型，通过提示词让大模型理解并提供更人性化的输出：

texts = ""

results_list = []

for idx, result in enumerate(results):

url = f"http://xxxx/{result['filename']}?x-bce-process=doc/preview,tt_image,p_{result['page_num']}"

result_info = {

"页码": result['page_num'],

"分数": result['score'],

"文本": result['text'],

"图片URL": url

}

results_list.append(result_info)

texts += result['text']

querytext = f"""用户问题:{input_text}

[参考资料]：

```

{texts}

```

根据参考资料里的知识点回答用户问题，未检索到的礼貌拒答

"""

resp = qianfan.ChatCompletion().do(endpoint="completions_pro", messages=[{"role":"user","content": querytext}], temperature=0.95, top_p=0.8, penalty_score=1, disable_search=False, enable_citation=False)

## 通过千帆 SDK 调用 ERINIE-4.0-8K 模型解读客户的查询

final_json = {

"results": results_list,

"resp_body_result": resp.body['result']

}

return final_json

到这里就初步完成了，当然除了本文中列出来的这些技术点，还有很多其他的优化手段，感兴趣的小伙伴可以自行探索一下。最终的实现效果是这个样子：