关键词感知检索

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：

1. 对原始语料（如网页）进行关键词抽取。

2. 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。

3. 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：

1. 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）。

2. 向量入库向量检索系统。

3. 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：

1. 系统复杂度增加。

2. 硬件资源（内存、CPU、磁盘等）开销增加。

3. 可维护性降低。

4. ......

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。

使用示例

前提条件

• 已创建Cluster：创建Cluster。

• 已获得API-KEY：API-KEY管理。

• 已安装最新版SDK：安装DashVector SDK。

Step1. 创建支持Sparse Vector的Collection

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

Step2. 插入带有Sparse Vector的Doc

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}
))

Step3. 带有Sparse Vector的向量检索

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，DashText。