大模型RAG（二）向量化（embedding）

自律也自由2024-04-11 11:49

语义向量模型是什么？

语义向量模型（Embedding Model）被广泛应用于搜索、推荐、数据挖掘等重要领域，将自然形式的数据样本（如语言、代码、图片、音视频）转化为向量（即连续的数字序列），并用向量间的"距离"衡量数据样本之间的"相关性" 。

常见的Embedding模型

BCEmbedding
BCEmbedding (Bilingual and Crosslingual Embedding for RAG) 是由网易有道开发的双语和跨语种语义表征算法模型库，其中包含EmbeddingModel和RerankerModel两类基础模型。
BGEEmbedding
BGEEmbedding是一个通用向量模型由智源研究院开发，基于retroma 对模型进行预训练，再用对比学习在大规模成对数据上训练模型。
M3E
M3E(Moka Massive Mixed Embedding)使用场景主要是中文，少量英文的情况，建议使用 m3e 系列的模型。
针对场景微调embedding模型 ：
在外挂知识库的过程中，embedding模型的召回效果直接影响到大模型的回答效果，因此，在许多场景下，我们都需要微调embedding模型来提高我们的召回效果。

如何选取合适的Embedding模型

创建一个小型的内存向量数据库DocArrayInMemorySearch并在其中插入一些文本，这些文本包括：中文句子，英文句子，数字符号等，这里我们为了在后面检验大模型给出的答案是否是由于"幻觉"而产生的。所以会往向量数据库中插入一些违背常识的文本。

python 复制代码

from langchain.embeddings import HuggingFaceBgeEmbeddings
 
bge_embeddings = HuggingFaceBgeEmbeddings(model_name="BAAI/bge-large-zh-v1.5")

vectordb = DocArrayInMemorySearch.from_texts(
    ["青蛙是食草动物",
     "人是由恐龙进化而来的。",
     "熊猫喜欢吃天鹅肉。",
     "1+1=5",
     "2+2=8",
     "3+3=9",
    "Gemini Pro is a Large Language Model was made by GoogleDeepMind",
     "A Language model is trained by predicting the next token"
    ],
    embedding=bge_embeddings 
)
 
# #创建检索器
bge_retriever = vectordb.as_retriever(search_kwargs={"k": 1})

这里我们创建了一个内存向量数据库vectordb,并在里面创建了3句中文，3句数字符号，2句英文的文本。然后我们又创建了一个检索器bge_retriever，它可以根据问题从向量数据库中检索出与问题最相关的文档，这里我们设置了bge_retriever的参数search_kwargs={"k": 1}，这表示beg_retriever每次只检索1条最相关的文档给用户。

实验过程中不断更换embedding模型，对比不同模型的检索效果，选取最合适的模型。