（三）基于文本的QA问答系统——SGPT：GPT Sentence Embeddings for Semantic Search解读
SGPT：GPT Sentence Embeddings for Semantic Search解读
文章目录
- SGPT：GPT Sentence Embeddings for Semantic Search解读
-
- 概述
- 先序知识
-
- 预训练模型
- 两大范式
-
- 浅层词嵌入
- 预训练编码器
- GPT
- Prompt
- 文章解读
-
- SGPT Cross-Encoder Asymmetric Search
- SGPT Bi-Encoder Asymmetric Search
- 存在的问题
-
- 1、中文预训练GPT模型十分匮乏。
- 2、怎样算是一个好的Prompt
概述
该方法基于如下论文：
[2202.08904] SGPT: GPT Sentence Embeddings for Semantic Search (arxiv.org)
该方法用于基于上下文信息对使用BM2.5算法获得的检索结果进行重排序。
先序知识
预训练模型
预训练在计算机视觉领域早已应用，NLP近些年随着BERT的出现也进入了预训练模型时代。
预训练模型优势：
- 在庞大的无标注数据上进行预训练可以获取更通用的语言表示，并有利于下游任务；
- 为模型提供了一个更好的初始化参数，在目标任务上具备更好的泛化性能、并加速收敛；
- 是一种有效的正则化手段，避免在小数据集上过拟合（一个随机初始化的深层模型容易对小数据集过拟合）
两大范式
浅层词嵌入
学习上下文独立的静态词嵌入，应用到下游任务时需要重新训练，例如word2vec。
预训练编码器
通过一个预训练的编码器能够输出上下文相关的词向量，解决一词多义的问题。这一类预训练编码器输出的向量称之为「上下文相关的词嵌入」。如GPT、BERT。
GPT
由于本文中提到的方法以GPT作为预训练模型，因此将着重介绍。
GPT是“Generative Pre-Training”的简称，从名字上就可以看出其是一个生成式的预训练模型。与ELMo不同的是，其采用多层Transformer Decoder作为特征抽取器，多项研究也表明，Transformer的特征抽取能力是强于LSTM的。
Prompt
Prompt是一种为下游任务设计的”模板“，它可以帮助预训练模型回忆起自己在预训练时学习到的内容。pre-train、prompt、predict带来了nlp的第二次巨变。
比如，在该问题中我们可以选用这样的prompt：”我们的目的是找到与查询相关的文档，查询{query}最相关的文档是{doc}“。
如何设计和选择prompt会影响最终的性能表现。
文章解读
作者在本文中提出了两种计算query和doc相关度的方法，Bi-Encorder和CrossEncoder。这两种方法都是基于GPT预训练模型。
SGPT Cross-Encoder Asymmetric Search
在Cross-Encoder中，query和doc一起作为输入，模型输出可以衡量这种组合中语义的合理性。优点是可以充分利用大规模语料库中的语义信息，缺点在于对于不同doc，query需要重复被编码。
查询的目的是找到最相关的文档，即求解
从而有
P（q）对于所有文档而言是一个常数，因此可以不考虑，而P（d）我们认为在语料库中近似相似，因此可以通过P（q|d）计算概率。
在实际使用时，作者使用prompt来计算P（q|d），即求解：
其中qi代表query的token，pi代表prompt的token。
最后使用，其中out_i代表query token所对应的输出，因为对于所有文档而言，query是相等长度的，因此无需进行归一化。
∑ l o g （ s o f t m a x （ o u t i ） ） \sum{log（softmax（out_i））} ∑log（softmax（outi））
该值一定是负数，其越接近0，代表query和doc相关度越高。
SGPT Bi-Encoder Asymmetric Search
在bi-Encoder中，query和doc被分别输入，然后计算embedding编码的余弦相似度。这种方法query只需编码一次，但是分别编码的query和doc不能充分利用大规模语料库的信息。
在Bert模型中，句子的编码常常使用[cls]符对应位置的编码来替代，这是因为Bert可以看到双向信息，即便[cls]在句子开始处，只要设置恰当的训练任务就可以编码语义信息。然而GPT模型只能看到单向的信息，因此常见的做法是使用最后一个token的编码和编码整个句子的信息。
然而，和单个token的编码相比，平均池化（mean-pooling）通常会有更好的表现，在本文中作者针对GPT模型提出了一种加权池化的方法。
其中hi代表第i个token的隐藏层输出。从上述公式中可以看出，越靠后的token权重越大。作者指出，由于GPT只能单向编码，因此越靠后的token蕴含越多的语义信息。
存在的问题
1、中文预训练GPT模型十分匮乏。
目前想到的解决方法包括：
1、使用bert代替GPT，但不期待其效果理想，因为GPT是为文本生成任务设计的语言模型，而bert用于文本分类和fill mask的任务，对于Cross-Encoder需要表征query和doc搭配的合理性，显然用于文本生成的GPT更胜一筹。
2、将中文翻译成英文，然后作为模型输入。
2、怎样算是一个好的Prompt
Prompt的设计会极大的影响最终效果。对于一个Prompt可能出现在A任务上的性能好，但在B任务上表现极差的情况。比较直观的策略是设计几个不同的Prompt然后对结果进行平均。