Tair：TairVector混合檢索實踐

背景資訊

大語言模型（Large Language Model, LLM）的發展使得文本、圖片、音視頻等非結構化資料都可以通過向量來表示其語義資訊，基於向量的KNN檢索在語義搜尋、商品推薦、智能問答等領域有非常大的潛力。當前大多數產品通常僅支援經典的條件過濾、全文索引、向量檢索這三類檢索方案的一種或者兩種組合，這三種檢索方案的優缺點非常明顯：

• 條件過濾：基於多種布爾條件組合過濾，對資料集和使用方式有嚴格的約束，限制了使用者使用情境。

• 全文檢索索引：針對使用者通用查詢Query，通過分詞並計算文檔相關度，返回相關性最高的結果清單。一般限於文本類欄位的查詢，且難以處理使用者輸入錯誤等文法問題。

• 向量檢索：首先進行語義編碼，通過計算向量之間相關度，返回相關性最高的結果清單。可以處理文檔、圖片、音視頻等各類非結構化資料，極大拓展了應用情境，不過也存在高度依賴LLM的效果、對私域資料處理不準確等問題。

基於Tair向量檢索可以在資料不出庫情況下實現條件過濾、全文檢索索引、向量檢索三類檢索方案的任意組合。您僅需通過一條查詢語句即可實現三路結果召回，例如通過待檢索的圖片、文本、音視頻等檔案進行向量檢索召回、通過輸入的文本進行全文檢索索引召回、通過布林運算式進行條件過濾召回等，Tair向量檢索還會對三路召回結果進行權重排序，返回最終的候選列表。

通過多路召回，可以避免因僅使用一種檢索方案而受到單檢索方案的能力限制，通過多種資料資源提高檢索命中率。同時也支援針對特定的請求，通過hybrid_ratio參數調整不同檢索方式的權重，更多資訊請參見Vector。

方案概述

本樣本將使用fashion-product-images-small開來源資料集示範不同檢索方案的效果。

資料說明

該資料集包含4.4萬條商品資料，資料格式如下：

資料轉換方案

Tair向量檢索是簡單直觀的Tair向量索引Key-Key-(Key-Value)儲存結構，首先需要建立一個向量索引（例如hybrid_index），用於儲存所有商品資料。再對上述表資料結構進行轉換，按照欄位可以分為四類：

• id：作為Tair向量檢索中的主鍵，可通過該欄位可以實現點查操作（只掃描少量資料的查詢操作）。

• image：通過LLM編碼後作為Tair向量檢索的向量資訊，通過該向量資訊可以實現向量檢索。

• productDisplayName：該欄位為image的描述資訊，可作為Tair向量檢索中的Text文本資訊。通過該欄位可以實現全文檢索索引。

• 其他列：作為Tair向量檢索的最子級索引值對，沒有限制數量。通過該索引值對可以實現傳統的屬性過濾檢索。

Tair向量檢索儲存的資料結構樣本如下：

整體流程與範例程式碼

本樣本的整體流程為：

1. 載入資料集。

2. Tair環境準備。

3. 匯入資料集至Tair。

4. 以不同檢索方案進行查詢。

詳情請參見Hybrid search代碼工程。

查詢展示

以下代碼僅展示以不同的檢索方案進行查詢與對應效果。以查詢Green Kidswear為例，通過調整hybrid_ratio參數（hybrid_ratio參數為向量檢索的權重，全文檢索索引的權重為1-hybrid_ratio），分別測試下面四種情境：

• 純向量檢索：將hybrid_ratio參數設定為0.9999，查詢樣本如下。

  topk = 20
  text = "Green Kidswear"
  vector = model.encode([text])[0]
  filter_str = None
  kwargs = {"TEXT" : text, "hybrid_ratio" : 0.9999}
  result = client.tvs_knnsearch(index_name, topk, vector, False, filter_str, **kwargs)
  top_img = [images[id_pos[int(item[0])]] for item in result]
  display_result(top_img)

  執行結果：

  

• 純全文檢索索引：將hybrid_ratio參數設定為0.0001，查詢樣本如下。

  topk = 20
  text = ""Green Kidswear"
  vector = model.encode([text])[0]
  filter_str = None
  kwargs = {"TEXT" : text, "hybrid_ratio" : 0.0001}
  result = client.tvs_knnsearch(index_name, topk, vector, False, filter_str, **kwargs)
  top_img = [images[id_pos[int(item[0])]] for item in result]
  display_result(top_img)

  執行結果：

• 向量、全文混合檢索：將hybrid_ratio參數設定為0.5，查詢樣本如下。

  topk = 20
  text = ""Green Kidswear"
  vector = model.encode([text])[0]
  filter_str = None
  kwargs = {"TEXT" : text, "hybrid_ratio" : 0.5}
  result = client.tvs_knnsearch(index_name, topk, vector, False, filter_str, **kwargs)
  top_img = [images[id_pos[int(item[0])]] for item in result]
  display_result(top_img)

  執行結果：

  

• 向量、全文、條件過濾混合檢索：將hybrid_ratio參數設定為0.5，同時添加subCategory == "Topwear"的條件陳述式，查詢樣本如下。

  topk = 20
  text = "Green Kidswear"
  vector = model.encode([text])[0]
  filter_str = "subCategory == \"Topwear\""
  kwargs = {"TEXT" : text, "hybrid_ratio" : 0.5}
  result = client.tvs_knnsearch(index_name, topk, vector, False, filter_str, **kwargs)
  print(result)
  top_img = [images[id_pos[int(item[0])]] for item in result]
  display_result(top_img)

  執行結果：

  

總結

• 直觀上看，無論是向量檢索還是全文檢索索引，整體都比較符合查詢需求。在排名最高的候選集中，全文檢索索引體驗要略微好於向量檢索。

• 在混合檢索中，若某一個目標存在於兩個召回結果中，則其最終排名會更加靠前。

• 通過調整hybrid_ratio參數，可以動態對向量檢索和全文檢索索引各自召回的結果進行Rerank（重排），以得到更精準的結果。

• 可以通過條件過濾的方式進一步過濾掉特定的候選集，提高檢索命中率。