不同检索方式说明
最近在做搜索召回提升相关的研究工作。对比了稀疏检索和稠密向量检索的效果。其中使用的搜索引擎为elasticsearch8.x版本。稀疏检索包括BM25的检索方式,以及es官方在8.8之后版本提供的稀疏向量模型的方式。稠密向量检索,是指借助机器学习的模型做文本嵌入,然后用es8.x以后版本提供的向量检索。
测试数据说明
测试数据包括了中文和英文,涉及了法律和新闻数据。
一、先说结论
相比较BM25检索,借助机器学习模型做文本嵌入的向量检索方式,有不错的效果。
同时,ES的稀疏向量模型,在英文场景下,相比较BM25和向量检索,仍然取得了更好的召回率提升效果。
BM25和向量检索以及稀疏向量检索之间的关系?
从测试数据来看,三者之间是互补的。
二、三种不同召回方式成功召回率对比效果
声明:这里取top50,如果命中标准答案则认为召回。
以一个测试集为例(法律数据),该测试集是有人工整理的198个问题,包含了问题和答案,相对质量较高。
在下图中,可以看到BM25成功召回177(89%)。
向量检索成功召回156个(79%)
稀疏向量成功召回187个( 94%)
结论一:稀疏向量召回率 >BM25 > 稠密向量
只看每一种召回方式,召回效果。
稀疏向量成功召回187( 94%) > BM25 成功召回177(89%)> 稠密向量成功召回156 (79%)
请注意这个结论!!! 其中向量检索的效果,会和向量模型有着非常密切的关系,会和测试数据集有非常密切的关系。关于BM25的召回效果好于向量检索,我自己也是不认可的。请看结论四。
结论二:三者是可以互补的
再看三路混合检索整体的召回效果,成功召回189,召回率95%,整体大于任何一个单个检索方式。
结论三:BM25 和 稠密向量可以互补。
稀疏向量是收费才能使用的功能,且只针对英文效果出色。所以这里只看Bm25和稠密向量的方式。
统计1:其中BM25召回成功的,向量检索召回失败的有27个。13%
统计2:其中向量召回成功,但是BM25召回失败的有6个。3%
结论四:BM25是否真的好于向量检索?
其中向量检索,严重依赖外部的文本嵌入的模型,假如模型没有训练过某个领域的知识,则在向量embedding过程中,一定会都是语义,所以效果表现不佳,甚至是低于Bm25的召回效果。
于是又对比了不同的测试数据集: 这次是中文的新闻数据。共1704个case。向量召回率98% >bm
25召回率 95%
即使这样,我依然无法下一个结论说向量检索效果比BM25好,或者说差。还是取决于文本嵌入模型的能力,以及测试集样本。但是总是可以得出,而知没有绝对的谁领先,而是互补,1+1 >2的效果!
其中BM25 成功召回 1619,召回率95%。
其中向量 成功召回 1675,召回率98.2%。
整体召回率,98.8%。两者可以互补的结论依然成立。
三、稀疏向量的提升效果
在英文场景下,稀疏向量的召回率相比较BM25,提升明显!提升到了100%,提升了14%
topK召回率有很大提升,top1提升了31%,top5提升了28.5%,top10提升了22%
文章来源:https://www.toymoban.com/news/detail-833019.html
四、应该如何选用召回方式
其中Bm25 是花费资源最少得检索方式。向量检索是花费资源最多的方式,因为要使用模型,其并发能力会受到资源限制。稀疏向量需要依赖官方提供的模型,是收费的功能,并且价格昂贵,且只支持英文场景,无法做多语言的混合场景,亲测中英混合的情况下,效果下降明显。文章来源地址https://www.toymoban.com/news/detail-833019.html
到了这里,关于搜索中关于稀疏检索和稠密向量检索的召回效果比较的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!