基于SimCSE和Faiss的文本向量检索实践

目录

文本的向量表示

1、SimCSE

2、支持无监督训

3、训练注意事项

向量检索

1、精准查找flat

2、HNSWx

3、IVFx

4、PQx

5、LSH

对博客标题进行向量检索

数据向量化

构建索引

文本检索

测试检索

---

传统的文本检索一般是建立倒排索引，对搜索词的召回结果进行打分排序返回最终结果，但是在海量的数据面前，召回结果页面临着一些挑战。于是就有了基于语义的搜索，即将文本向量化，默认向量包含了文本的语义信息，匹配最近的向量返回结果。

文本的向量表示

文本的向量表示有很多种方式，例如：one-hot，tf-idf，word2vec，或者基于深度学习的sentence-bert，simbert等等，这里尝试采用近年来小有名气的SimCSE，据说在各种任务上面都达到了SOTA的水平，而且支持无监督的训练，这一点就足够吸引我们来试验一下效果了。

1、SimCSE

SimCSE: Simple Contrastive Learning of Sentence Embeddings，可以用来做句向量的表征训练，对于模型本身网上已经有很多介绍了，这里不做太多阐述，只介绍算法几个核心的点以及训练模型的注意事项。

2、支持无监督训

很多句向量模型都是有监督的，构建正样本和负样本的数据集，这种方式大家比较容易想到，也比较好理解，结果的好坏也和标注数据息息相关。而无监督的模型就比较少见，SimCSE无监督训练构思比较巧妙，也很简单，给人一种大道至简的感觉。

SimCSE的入手点是一个batch的数据，没条样本数据自己和自己构成正样本，自己和其他数据构成负样本，负样本这里是没有问题，但是正样本自己和自己就缺少泛化能力，为了使正样本之间有所差异并且保持相似性，可以使用数据增强的方法，例如增加噪音或者GAN生成等方式，当然这就变成了另外的话题了。作者利用不同的dropout来产生正样本，同一个batch里面每个数据的dropout不一致。

在构建无监督batch的数据时，同一条数据重复一次，即一个batch内最后的数据形式为：[a1,a1,a2,a2.....an,an]。为了方便理解，我们把最终的混淆矩阵画出来(带有+号的是经过drop生成的正样本)：

	a1	a1+	a2	a2+	...	an	an+
a1	0	1	0	0	...	0	0
a1+	1	0	0	0	...	0	0
a2	0	0	0	1	...	0	0
a2+	0	0	1	0	...	0	0
...	...	...	...	...	...	...	...
an	0	0	0	0	...	0	1
an+	0	0	0	0	...	1	0

归一化之后，使用相乘即可计算出来向量之间的cosine距离，接着可以计算出loss。

def simcse_loss(y_true, y_pred):
    """用于SimCSE训练的loss
    """
    # 构造标签
    idxs = K.arange(0, K.shape(y_pred)[0])
    idxs_1 = idxs[None, :]
    idxs_2 = (idxs + 1 - idxs % 2 * 2)[:, None]
    y_true = K.equal(idxs_1, idxs_2)
    y_true = K.cast(y_true, K.floatx())
    # 计算相似度
    y_pred = K.l2_normalize(y_pred, axis=1)
    similarities = K.dot(y_pred, K.transpose(y_pred))
    similarities = similarities - tf.eye(K.shape(y_pred)[0]) * 1e12
    similarities = similarities * 20
    loss = K.categorical_crossentropy(y_true, similarities, from_logits=True)
    return K.mean(loss)

3、训练注意事项

源码可以参考苏神开源的代码，另外苏神的博客也值得一看。

学习率设置为1e-5，dropout设置为0.3。

随机选取了1W条博客标题，训练一个epoch，即可得到很好的效果。多增加训练数据，或者训练epoch效果反而会下降。无监督训练确实让人很迷惑啊。

个人感觉SimCSE其实也没有真正学习到句子的语义，一个句子增加一个不字，变成语义相反的句子，计算其相似度还是挺高的，跨越语义鸿沟任道而重远，不知道gpt3/gpt4是不是距离真正的语义越来越近了。

向量检索

向量检索可以用ES，8.0版本听说优化了检索的算法，由于公司的ES还没有升级，也没能验证下大数据集检索的速度怎么样，若是能得到大幅度优化，ES还是首先的，毕竟其全文检索能力还是很强；也可以用Faiss，海量数据表现出色，但是其只是一个包，需要进行二次开发；更可以用milvus，是一个向量数据库，集成了Faiss，支持属性的索引联合搜索，但是也还存在一些坑，待后续版本完善。这里决定采用Faiss，单一字段的检索，Faiss还是能胜任的。

使用Faiss比较简单，但是要选择一个适合自己业务场景的索引类型很重要，现实场景中我们还要考虑数据量，召回率，内存大小，响应时间等因素，可以参考官方文档。

1、精准查找flat

基于穷举，召回率最高，但是速度慢，适合数据量比较小的场景。

2、HNSWx

基于图检索的方法，召回率高，检索速度快，但是构建索引慢，占用内存极大。

3、IVFx

基于倒排索引，IVFx中的x是k-means聚类中心的个数，使用倒排索引的思想减少检索时间。

4、PQx

基于乘积量化，分段检索，然后取交集，检索速度快，内存占用较小，但是召回率有所下降。

5、LSH

基于局部敏感哈希，占用内存小，检索速度快，但是召回率低。

考虑到生产环境的内存占用，检索的数据量在5000W+，这里使用网上比较推荐的IVFxPQy的索引方式，比较中规中矩的一种方法。

对博客标题进行向量检索

数据向量化

利用上面训练好的SimCSE模型，使用批推理的方式，将所有数据向量化，主要是为了利用批推理加快处理速度。

def data_to_vec(self):
    """数据向量化"""
    data_list = []
    batch_data = []
    count = 0
    with open(self.blog_data_path) as file:
        for line in file:
            terms = line.strip().split("\t")
            article_id, title = terms[0], terms[1]

            count += 1
            if count % 1000 == 0:
                print(f"processed: {count}")
            if len(batch_data) >= self.model_predict.model_config.batch_size:
                vecs = self.model_predict.predict_batch(batch_data)
                batch_data.clear()
                data_list.extend(vecs)
            batch_data.append(title)
    if len(batch_data):
        vecs = self.model_predict.predict_batch(batch_data)
        data_list.extend(vecs)
        batch_data.clear()

    xb = np.array(data_list, dtype=np.float32)
    np.save(self.data_vec_path, xb)
    print("save vector.")

构建索引

IVFx中x取100，PQy中y取16。

def create_index(self):
    """创建索引"""
    param = 'IVF100,PQ16'
    measure = faiss.METRIC_L2
    index = faiss.index_factory(self.model_predict.model_config.output_units, param, measure)

    xb = np.load(self.data_vec_path + ".npy")
    start_time = time.time()
    print("create index...")
    index.train(xb)
    index.add(xb)
    faiss.write_index(index, self.index_path)
    end_time = time.time()
    print(f"index created.cost:{end_time-start_time}")

文本检索

首先将句子转换成向量，再进行检索，取topk，然后计算余弦相似度，进行重新排序，输出结果。

def search(self, query, topk=5):
    """"搜索"""
    vec = self.model_predict.predict(query.lower())
    d, idx_list = self.index.search(np.array([vec]), topk)
    result_list = []
    for idx in range(len(idx_list[0])):
        data = self.data_list[idx_list[0][idx]]
        new_distance = self._cos_distinct(data, query)
        result_list.append((data, new_distance))
    sorted_result = sorted(result_list, key=lambda term: term[1], reverse=True)
    return sorted_result

测试检索

输入检索句子（就拿本文的标题来检索一下吧）：

基于SimCSE和Faiss的文本向量检索实践

输出：

基于Lucene的全文检索实践
基于mongodb的地理检索实现
基于mongodb的地理检索实现
PostgreSQL的FTI与中文全文索引的实践
docker + laravel项目使用elasticsearch进行全文检索功能

再看一下CSDN官网的检索结果：

 官网的结果基于词的全文检索，本文给的结果有那么一点儿语义的味道，但是距离真语义还是有一定差距，现在这个阶段的话倒是可以作为一个召回源对全文检索进行补充。

下课咯。