關鍵詞感知檢索 - Vector Retrieval Service

本文主要介紹帶關鍵詞感知能力的向量檢索服務的優勢、應用樣本以及Sparse Vector產生工具。

背景介紹

關鍵詞檢索及其局限

在資訊檢索領域，“傳統”方式是通過關鍵詞進行資訊檢索，其大致過程為：

對原始語料（如網頁）進行關鍵詞抽取。
建立關鍵詞和原始語料的映射關係，常見的方法有倒排索引、TF-IDF、BM25等方法，其中TF-IDF、BM25通常用稀疏向量（Sparse Vector）來表示詞頻。
檢索時，對檢索語句進行關鍵詞抽取，並通過步驟2中建立的映射關係召回關聯度最高的TopK原始語料。

但關鍵詞檢索無法對語義進行理解。例如，檢索語句為“浙一醫院”，經過分詞後成為“浙一”和“醫院”，這兩個關鍵詞都無法有效命中使用者預期中的“浙江大學醫學院附屬第一醫院”這個目標。

基於語義的向量檢索

隨著人工智慧技術日新月異的發展，語義理解Embedding模型能力的不斷增強，基於語義Embedding的向量檢索召回關聯資訊的方式逐漸成為主流。其大致過程如下：

原始語料（如網頁）通過Embedding模型產生向量（Vector），又稱為稠密向量（Dense Vector）。
向量入庫向量檢索系統。
檢索時，檢索語句同樣通過Embedding模型產生向量，並用該向量在向量檢索系統中召回距離最近的TopK原始語料。

但不可否認的是，基於語義的向量檢索來召回資訊也存在局限——必須不斷的最佳化Embedding模型對語義的理解能力，才能取得更好的效果。例如，若模型無法理解“水稻灌溉”和“灌溉水稻”在語義上比較接近，就會導致無法通過“水稻灌溉”召回“灌溉水稻”相關的語料。而關鍵字檢索在這個例子上，恰好可以發揮其優勢，通過“水稻”、“灌溉”關鍵字有效召回相關語料。

關鍵詞檢索+語義檢索

針對上述問題，逐漸有業務和系統演化出來“兩路召回、綜合排序”的方法來解決，並且在效果上也超過了單純的關鍵字檢索或語義檢索，如下圖所示：

但這種方式的弊端也很明顯：

系統複雜度增加。
硬體資源（記憶體、CPU、磁碟等）開銷增加。
可維護性降低。
......

具有關鍵詞感知能力的語義檢索

向量檢索服務DashVector同時支援Dense Vector（稠密向量）和Sparse Vector（稀疏向量），前者用於模型的高維特徵（Embedding）表達，後者用於關鍵詞和詞頻資訊表達。DashVector可以進行關鍵詞感知的向量檢索，即Dense Vector和Sparse Vector結合的混合檢索。

DashVector帶關鍵詞感知能力的向量檢索能力，既有“兩路召回、綜合排序”方案的優點，又沒有其缺點。使得系統複雜度、資源開銷大幅度降低的同時，還具備關鍵詞檢索、向量檢索、關鍵詞+向量混合檢索的優勢，可滿足絕大多數業務情境的需求。

說明

Sparse Vector（稀疏向量），稀疏向量是指大部分元素為0，僅少量元素非0的向量。在DashVector中，稀疏向量可用來表示詞頻等資訊。例如，{1:0.4, 10000:0.6, 222222:0.8}就是一個稀疏向量，其第1、10000、222222位元素（分別代表三個關鍵字）有非0值（代表關鍵字的權重），其他元素全部為0。

使用樣本

前提條件

已建立Cluster：建立Cluster。
已獲得API-KEY：API-KEY管理。
已安裝最新版SDK：安裝DashVector SDK。

Step1. 建立支援Sparse Vector的Collection

說明

需要使用您的api-key替換以下樣本中的 YOUR_API_KEY、您的Cluster Endpoint替換樣本中的YOUR_CLUSTER_ENDPOINT，代碼才能正常運行。單擊Cluster詳情瞭解如何查看Cluster Endpoint。
本樣本僅對Sparse Vector進行功能示範，簡化起見，向量（Dense Vector）維度設定為4。

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

僅內積度量（metric='dotproduct'）支援Sparse Vector功能。

Step2. 插入帶有Sparse Vector的Doc

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}
))

說明

向量檢索服務DashVector推薦使用快速開始產生Sparse Vector。

Step3. 帶有Sparse Vector的向量檢索

Python

docs = collection.query(
    vector=[0.1, 0.1, 0.1, 0.1],
    sparse_vector={1: 0.3, 20:0.7}
)

Sparse Vector產生工具

DashText，向量檢索服務DashVector推薦使用的SparseVectorEncoder，快速開始。