本文主要介绍带关键词感知能力的向量检索服务的优势、应用示例以及Sparse Vector生成工具。
背景介绍
关键词检索及其局限
在信息检索领域，"传统"方式是通过关键词进行信息检索，其大致过程为：
-
对原始语料（如网页）进行关键词抽取。
-
建立关键词和原始语料的映射关系，常见的方法有倒排索引、TF-IDF、BM25等方法，其中TF-IDF、BM25通常用 稀疏向量（Sparse Vector） 来表示词频。
-
检索时，对检索语句进行关键词抽取，并通过步骤2中建立的映射关系召回关联度最高的TopK原始语料。
但关键词检索无法对语义进行理解。例如，检索语句为"浙一医院"，经过分词后成为"浙一"和"医院"，这两个关键词都无法有效的命中用户预期中的"浙江大学医学院附属第一医院"这个目标。
基于语义的向量检索
随着人工智能技术日新月异的发展，语义理解Embedding模型能力的不断增强，基于语义Embedding的向量检索召回关联信息的方式逐渐成为主流。其大致过程如下：
-
原始语料（如网页）通过Embedding模型产生 向量（Vector） ，又称为 稠密向量（Dense Vector）。
-
向量入库向量检索系统。
-
检索时，检索语句同样通过Embedding模型产生向量，并用该向量在向量检索系统中召回距离最近的TopK原始语料。
但不可否认的是，基于语义的向量检索来召回信息也存在局限------必须不断的优化Embedding模型对语义的理解能力，才能取得更好的效果。例如，若模型无法理解"水稻灌溉"和"灌溉水稻"在语义上比较接近，就会导致无法通过"水稻灌溉"召回"灌溉水稻"相关的语料。而关键字检索在这个例子上，恰好可以发挥其优势，通过"水稻"、"灌溉"关键字有效的召回相关语料。
关键词检索+语义检索
针对上述问题，逐渐有业务和系统演化出来"两路召回、综合排序"的方法来解决，并且在效果上也超过了单纯的关键字检索或语义检索，如下图所示：
但这种方式的弊端也很明显：
-
系统复杂度增加。
-
硬件资源（内存、CPU、磁盘等）开销增加。
-
可维护性降低。
-
......
具有关键词感知能力的语义检索
向量检索服务DashVector同时支持Dense Vector（稠密向量）和Sparse Vector（稀疏向量），前者用于模型的高维特征（Embedding）表达，后者用于关键词和词频信息表达。DashVector可以进行关键词感知的向量检索，即Dense Vector和Sparse Vector结合的混合检索。
DashVector带关键词感知能力的向量检索能力，既有"两路召回、综合排序"方案的优点，又没有其缺点。使得系统复杂度、资源开销大幅度降低的同时，还具备关键词检索、向量检索、关键词+向量混合检索的优势，可满足绝大多数业务场景的需求。
说明
Sparse Vector（稀疏向量），稀疏向量是指大部分元素为0，仅少量元素非0的向量。在DashVector中，稀疏向量可用来表示词频等信息。例如，{1:0.4, 10000:0.6, 222222:0.8}就是一个稀疏向量，其第1、10000、222222位元素（分别代表三个关键字）有非0值（代表关键字的权重），其他元素全部为0。
使用示例
前提条件
- 已创建Cluste
- 已获得API-KEY
- 已安装最新版SDK
Step1. 创建支持Sparse Vector的Collection
说明
- 需要使用您的api-key替换以下示例中的 YOUR_API_KEY、您的Cluster Endpoint替换示例中的YOUR_CLUSTER_ENDPOINT，代码才能正常运行。
- 本示例仅对Sparse Vector进行功能演示，简化起见，向量（Dense Vector）维度设置为4。
Python示例:
python
import dashvector
client = dashvector.Client(
api_key='YOUR_API_KEY',
endpoint='YOUR_CLUSTER_ENDPOINT'
)
ret = client.create('hybrid_collection', dimension=4, metric='dotproduct')
collection = client.get('hybrid_collection')
assert collection重要
仅内积度量（metric='dotproduct'）支持Sparse Vector功能。
Step2. 插入带有Sparse Vector的Doc
Python示例:
python
from dashvector import Doc
collection.insert(Doc(
id='A',
vector=[0.1, 0.2, 0.3, 0.4],
sparse_vector={1: 0.3, 10:0.4, 100:0.3}
))说明
向量检索服务DashVector推荐使用快速开始生成Sparse Vector。
Step3. 带有Sparse Vector的 向量检索
Python示例:
python
docs = collection.query(
vector=[0.1, 0.1, 0.1, 0.1],
sparse_vector={1: 0.3, 20:0.7}
)Sparse Vector生成工具
- DashText，向量检索服务DashVector推荐使用的SparseVectorEncoder