心法利器[112] | 考古RAG-20年RAG概念提出的论文

news2024/11/30 4:37:52

心法利器

本栏目主要和大家一起讨论近期自己学习的心得和体会。具体介绍：仓颉专项：飞机大炮我都会，利器心法我还有。

2023年新的文章合集已经发布，获取方式看这里：又添十万字-CS的陋室2023年文章合集来袭，更有历史文章合集，欢迎下载。

往期回顾

心法利器[107] onnx和tensorRT的bert加速方案记录
心法利器[108] | 微调与RAG的优缺点分析
心法利器[109] | RAG效果评估经验
心法利器[110] | 知识文档处理和使用流程
心法利器[111] | 近期RAG技术总结和串讲（4w字RAG文章纪念）

上一期是写了最近RAG文章的小结（心法利器[111] | 近期RAG技术总结和串讲（4w字RAG文章纪念）），里面提到RAG比较早的一篇论文，可见RAG这个概念并非大模型之后才有的，早在2020年就已经有这样的一篇文章，提出了真正意义的RAG，今天让我们来讨论这篇论文吧。

原论文：Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
论文翻译：https://blog.csdn.net/m0_52695557/article/details/134307931
论文笔记：https://blog.csdn.net/weixin_73479446/article/details/133278543

叠个甲，本文没有覆盖全文内容，更多是从文章中抽取了值得分享和分析的部分来讲，如果要深入了解，包括当时视角的研究现状，论文内具体使用的技术、实验数据等，还是需要回到论文里详细看的。

Introduction精读
模型
实践细节和实验
分析讨论

Introduction精读

看完这篇文章的introduction，感觉很有必要解读一下，因为这里面对RAG模型的意义理解的还是很透彻的，充分体现出了RAG的价值，时至今日，RAG的价值很大程度也是围绕着这个在推广（也就4年前的事，怎么感觉好像很久远的样子）。

They cannot easily expand or revise their memory, can’t straightforwardly provide insight into their predictions, and may produce “hallucinations”.

很多更老的模型并不能拓展或者更新知识，不能直接提供对预测的见解，并容易产生幻觉，这应该就是原有模型的劣势，而作者的解决方式就是通过RAG，这个是作者的解释。

We endow pre-trained, parametric-memory generation models with a non-parametric memory through a general-purpose fine-tuning approach which we refer to as retrieval-augmented generation (RAG).

紧跟着对这个概念进行了展开。

We build RAG models where the parametric memory is a pre-trained seq2seq transformer, and the non-parametric memory is a dense vector index of Wikipedia, accessed with a pre-trained neural retriever. We combine these components in a probabilistic model trained end-to-end.

从这几句话可以理解到，这个"the parametric memory"就是一个生成模型，此处是用的一个预训练好的seq2seq模型，而非参数的记忆是用一堆向量来存储的，这里的知识来自于维基百科，而记忆的获取则是通过预训练好的neural retriever来实现的，整体就形成一个端到端的模型，此时，再看作者的图，就更好理解了。

这个架构显然和现在的RAG是完全一样的，query-encoder就是一个向量表征模型，后续存入库中，就可以做向量召回，MIPS就是最近邻检索，也就是所谓的向量检索了（有关向量召回和向量检索的概念，可以参考这篇：），而后对top-K文章，可以进行拼接，交给seq2seq模型进行预测。

在此基础上，作者进一步阐述了RAG结构的优势，省去论证讨论的话术，这里我直接说作者提及的结论：

知识更新层面，RAG能够快速拓展或者更新知识。参数和非参数记忆组件都是预先训练并预先加载了广泛的知识，无需额外训练就可以获得新知识。
生成内容层面，RAG相比直接生成，内容会更加真实、具体和多样。

模型

从上面的图可以看到，整个模型的核心组件就是两个。

一个检索器，给定输入的query ，输出top K相似度的文档。
一个生成器，基于检索器的返回的文档以及query ，给出最终的回复结果。

模型结构是类似的，但是根据训练和使用策略的不同，文章中提出了两种方案，RAG-Sequence和RAG-Token，其实对应的是两种映射关系，一个是用单个文档预测出序列输出的结果，另一个是基于单个token，用多个文章综合预测出结果。

这里就可以看到，两者的区别就在于，一个是先积再和，一个是先和再积，具体两者有什么效果上的区别，后续作者会做实验。

在模型的选用上，基本都是选用比较常见的方案了。检索上，作者从简是选择了BERT的向量化，用的DPR方案（Dense passage retrieval for open-domain question answering），在当时的视角也并不算一个落后的方案，类似simcse是21年才出来的（EMNLP21），而生成器，选用了BART（ BART: Denoising sequence-to-sequence pre-training for natural language generation, translation, and comprehension）。

训练上，文章选用的方案是联合训练，即联合检索器和生成器一起训练，直接对端到端的和进行训练。值得注意的是，联合训练的过程，因为检索的编码器，也就是DPR那个模型的文档编码器会更新，这导致检索的索引也需要伴随更新，为了降低这块的性能要求，此处就对doc的文档编码器就不更新，只更新对query的编码器，生成器照常更新。

解码是文本生成的重要一步，对RAG-Sequence和RAG-Token有不一样的操作方法，后者直接用beam search即可，而前者则不可以，而是采用了“彻底解码”和“快速解码”两个方式来分别解决短句和长句的解码问题。

实践细节和实验

首先是实践上，作者使用的是维基百科数据，每篇文章会被切分，用编码器进行编码，然后存入FAISS中方便检索。

实验上，作者设计了开放域问答、抽象问答（自由文本问答）、Jeopardy问答（直译是危险，但感觉不像，这里是指猜实体，例如In 1986 Mexico scored as the first country to host this international sports competition twice的答案是The World Cup）、事实验证这4个任务来判断RAG的具体能力，并借助消融实验判断RAG中各个设计对最终效果的影响。

实验结果就不过多赘述，不过作者在这里的一些发现我想拿出来分享一下。

即使RAG抽取出来的文档相关但不包含答案，仍对最终效果有收益。甚至即使没检索到正确文档，RAG仍能得到更优的结果。
RAG的幻觉似乎比直接生成（BART）要少，而且多样性也更高。
RAG在特定任务场景，更不需要对中间的检索进行训练。
索引支持热更新，能让模型更敏捷地更新知识。
对文档的检测数量，作者也进行了实验，RAG-Sequence对召回文档数量的性能影响不大，感觉很可能因为最后的加权稀释，影响变小而且趋于稳定，但对RAG-Token会有些明显，一般文档越多效果越好。
检索模块作者只是用了BM25作对比，感觉有些受限，不过从最终的结果看来，随着任务的变化，在一些任务中差距可能会很大，但也有好几个任务来看效果差距并不是很大，甚至可能比向量召回还要好。