1.文本匹配-深度学习

简介： 深度学习实现文本匹配任务主要包含，表示型和交互型两种实现逻辑；表示型：就是将输入表示为向量；交互性，就是对输入直接输出一个匹配的判断结果。

1.1表示型

释义： 表示型方案，模型是将输入转化为向量，目标是使得向量尽可能表示出词的含义。这个模型可以称为一个解码器Decoder。通过模型表达的向量，再使用相似度计算的算法，求出相似度分数。
示意图：

解释：

1.上面图示中，有两个Encoder；其实可以看成一个。
2.除了Encoder部分外，matching layer是对表示的向量进行分类的，也很重要，除了通过余弦函数、欧式距离外，还可以通过一层网络进行计算。

1.1.1训练方式一

步骤：

1.对于两个匹配的样本，预期输出分值为1。
2.对于两个不匹配的样本，预期输出分值为0。
3.本质上相当于2分类任务。
4.对于输入进行匹配任务的两个向量，在进行matching layer计算输入时，也可以尝试实验不同的方案和组合。

举例如下：

介绍：
上述举例方案采用的是BERT模型；并且在实验中，进行matching layer输入：u、v、|u-v|的效果最好。

1.1.2训练方式二（Triplet Loss）

训练目标： 使具有相同标签的样本在embedding空间尽量接近。使具有不同标签的样本在embedding空间尽量远离。

示意图

介绍： 左侧表示随机化时，正样本与负样本相对匹配样本的距离。匹配样本也称为锚点、原点。Triplet Loss还可用于图像识别，即人脸核验等操作。

原理释义：

1.输入是一个三元组<a, p, n>
2.a：anchor 原点
3.p：positive 与a同一类别的样本
4.n：negative 与a不同类别的样本
5.在embedding空间中，三元组损失函数如下：
6. 𝐿=max⁡(𝑑(𝑎, 𝑝)−𝑑(𝑎, 𝑛)+𝑚𝑎𝑟𝑔𝑖𝑛, 0)
7. 最小化L，则d(a,p)->0，d(a,n)->margin
8.d代表余弦距离，margin代表正样本和负样本的区别度；一般取0.1

1.2交互型

释义： 即输入两个匹配文本，交由大模型对两个文本间的关系进行打分。类似二分类任务。

示意图如下：

注意：虽然这里图上展示是使用的两个embedding layer；但是实际是同一个。

1.3交互型和表示型对比

表示型
优点：训练好的模型可以对知识库内的问题提前计算向量，在实际查找过程中，只对输入文本做一次向量化。就可以完成计算。而交互性对知识库中的内容，每来一次输入的问题，都需要全部匹配知识库内容计算一次。
缺点：在向量化的过程中不知道文本重点

交互型
优点：通过对比把握句子重点。而表示型不可以（举例：明天可能要下雨。明天一定要下雨。明天可能要下雪。）
缺点：每次计算需要都需要两个输入。

2.对比学习

训练目标： 和表示型训练任务一样，为了训练一个Encoder编码器。将输入表示成合理的向量。

思想原理： 表示型、交互型编码器训练都离不开标注数据（负样本、正样本），标注的数据需要耗费大量的人力；对比学习考虑通过对未标注的数据，自动的添加轻微遮挡，来构建正样本，而不同的原始数据之间构成负样本，就可以完成训练并且无须手动标注了。

2.1图像中

示意图：

释义：

1.这里将猫的图片，加上不同的滤镜，就构成了两张相似的正样本材料，即可进行训练。
2.除了数据上的处理外，后面的模型层的训练和构成逻辑和表示型、交互型一致。
3.不同原始材料之间就构成负样本。

2.2NLP中

示意图：

释义：

1.在NLP中，同样是对一条输入，进行语义相似的调整，取构建正样本，不同原始材料之间构成负样本。
2.语义相似度的自动调整，有不同的方案。
3.语义相似的调整a：，在字符的时候，就对输入的文本行调整，替换同义词、近义词、加停用词等。
4.语义相似的调整b：在字符转化成向量后，在网络中调整；比如在BERT层之后，Pooling层前，加入Dropout层；向量就会有一定几率省略或者增大；这样就有过Dropout层向量和没有过两个，进行下一步的训练。或者在embedding时，将其中随机抽掉几行向量，也可以得到两个训练的样本。
5.这样的调整训练是有一定效果的；结合着部分标注数据来做，相对于只用标注数据做，有一定优化效果。而且标注数据需求要小些。

注意： 这种方案的思想本质是希望通过无监督、或自监督的方式，能够用海量的数据进行模型训练，而不依赖于人的标注。

3.真实场景-海量向量查找

备注： 下面介绍的2种算法，只是作为一种思想的了解；真实的场景中，都是根据数据情况，调研选择成熟的框架来实现即可。

3.1CD树

备注： 在这里介绍的是一种典型或者基础的算法，纯数学的一种应用，只做一个简单的介绍。

3.1.1空间切割

示意图介绍：

1.左侧是切割的示意图，右侧是根据切割的方式构建的树。
2.每一个点代表知识库中需要匹配的向量，这里使用2维向量举例。

相似度计算举例

1.现在有向量（3，5），需要查找一个相似度最高的向量。
2.根据横纵坐标，简单的比较可以得到，横坐标3；位于（2，3）(4，7)之间；纵坐标5，位于(5,4),(4,7)之间。所以向量(3,5)快速匹配到最下方的节点(4,7)上。
3.计算(3,5)到（4,7）的距离S1；和（3,5）到(4,7)切割平面的距离D1；由图可知，D1<S1
4.说明可能存在点，在(4,7)平面的右侧，可能存在一个点，使得距离更接近(3,5);这一侧最近的节点为（5，4）
5.重复3，4步骤；完成(2,3)点的计算，最后计算(7,2)根节点，距离比之前的计算都大了，则根据点右侧无须计算；停止
6.在已有的计算向量中，使用相似度计算（余弦、欧式距离等），选出最相似的向量即可。

切割逻辑：

1.首先根据X或者Y寻找所有知识库向量的中位数。这里根据X，找到(7,2)
2.计算所有点的X轴的方差，和Y轴的方差，X轴>Y轴；所以X=7的平面切割。
3.下一步寻找Y轴的中位数，左侧则找到(5,4)。
4.计算Y=7的平面左侧三个数(2,3)(5,4)(4,7)X轴的方差，和Y轴的方差;Y轴>X轴;所以切割Y=4。
依次计算，最后完成切割。

3.1.2Annoy

方法逻辑： 分割过程相当于Kmeans聚类,通过不断的进行2聚类，将平面拆分切割。重复分割过程，直到每个空间内的点个数小于设定值。下面通过图示大概表示过程。

下面图片表示过程：

最后组成一个CD树：

注意： 上线介绍的方法都属于比较古老的内容，当前RAG使用的检索方案是通过较为复杂的优化的。可以达到上亿数据，在10ms内完成检索。