LLM之RAG实战(五十二)| 如何使用混合搜索优化RAG 检索

news2025/4/1 2:20:58

       在RAG项目中,大模型生成的参考内容(专业术语称为块)来自前一步的检索,检索的内容在很大程度上直接决定了生成的效果,因此检索对于RAG项目至关重要,最常用的检索方法是关键字搜索和语义搜索。本文将分别介绍这两种搜索策略,然后将它们结合起来进行混合检索。

一、使用 BM25 进行关键字搜索

       BM25 是关键字搜索的首选算法。使用 BM25,我们可以为语料库中每个文档的查询获得分数。

       BM25 基于 TF-IDF 算法,这意味着公式的核心是术语频率 (TF) 和逆向文档频率 (IDF) 的乘积。

      TF-IDF 算法基于以下理念:“对频率较低、更具体的术语的匹配比对频繁术语的匹配更有价值”

      换句话说,TF-IDF 算法会查找包含查询中罕见关键字的文档。

图片

       如果我们看一下 LangChain 源码(https://api.python.langchain.com/en/latest/_modules/langchain_community/retrievers/bm25.html#BM25Retriever),可以看到它使用了 rank_bm25 包中的 BM25Okapi 类,该类是 ATIRE BM25 算法的略微修改版本。

     在 ATIRE BM25 版本中,获得文档 d 和由多个词 t 组成的给定查询 q的分数的公式如下

图片

  • N 是语料库中的文档数

  • df_t 是包含术语 t 的文档数 (也称为文档频率)

  • tf_td 是术语 t 在文档 d 中出现的次数(也称为术语频率)

  • L_d是我们文档的长度,L_avg是平均文档长度

  • 有两个经验调优参数: b 和 k_1

我们看到公式对所有项 t 求和,我们可以将其视为单词。

      BM25 方程中的左手因子 log(N/df_t) 称为逆文档频率。对于像 “the” 这样的常用词,我们所有的文档都可能包含,所以逆向文档频率将为零(因为 log(1) 为零)。

     另一方面,非常罕见的单词只会出现在少数文档中,从而增加左因子。因此,逆向文档频率是衡量术语 t 中包含多少信息的量度。

      右因子受术语 t 在文档 d 中出现的次数的影响。

    该文档 d=["I like red cats, black cats, white cats, and brown cats"] 对词 t=“cats” 具有非常高的词频tf_td,这将导致包含单词 “cats” 的查询获得较高的 BM25 分数。

      让我们使用 BM25 来使用 Python 库rank_bm25来获得一些直觉。

pip install rank_bm25

      首先,我们加载库并使用我们的标记化语料库初始化 BM25。

from rank_bm25 import BM25Okapicorpus = [    "The cat, commonly referred to as the domestic cat or house cat, is a small domesticated carnivorous mammal.",        "The dog is a domesticated descendant of the wolf.",        "Humans are the most common and widespread species of primate, and the last surviving species of the genus Homo.",        "The scientific name Felis catus was proposed by Carl Linnaeus in 1758"]tokenized_corpus = [doc.split(" ") for doc in corpus]
bm25 = BM25Okapi(tokenized_corpus)

      接下来,我们对查询进行标记化。​​​​​​​

query = "The cat"tokenized_query = query.split(" ")

     最后,我们使用 BM25 算法计算分数。高分表示文档和查询之间的匹配良好。​​​​​​​

doc_scores = bm25.get_scores(tokenized_query)
print(doc_scores)
>> [0.92932018 0.21121974 0. 0.1901173]# scores for documents 1, 2, 3, and 4

       由于 BM25 查找完全匹配的术语,因此查询术语“cats”、“Cat”或“feline”都将导致三个示例文档的分数为 doc_scores = [0,0,0]。

二、使用密集嵌入的语义搜索

       当我们通过密集嵌入执行语义搜索时,我们会将单词转换为数字表示。其理念是,在这种新的数学表示形式中,相似的单词紧密相连。

图片

       文本嵌入是单个单词或整个句子的高维向量。它们称为 dense,因为向量中的每个条目都是一个有意义的数字。相反,当许多 vector 条目只是为零时,称为 sparse。

       在将单词转换为嵌入之前,首先通过称为编码器的神经网络嵌入模型将token转换为嵌入向量。

图片

       在将文档语料库中的所有文本转换为嵌入后,可以执行语义搜索以查看哪个嵌入文档最接近我们的嵌入查询。

       我们可以通过绘制嵌入维度并找到与我们的查询最匹配的文档来可视化此任务。

图片

       在数学上,我们使用余弦距离函数找到最接近的匹配项。对于两个嵌入向量 a 和 b,我们可以使用点积计算余弦相似度,如下所示:

图片

       其中分子是两个嵌入向量的点积,分母是它们量级的乘积。

       在几何学上,余弦相似度是向量之间的角度。余弦相似性分数范围为 -1 到 +1。

       余弦相似度分数 -1 表示嵌入 a 和 b 正好朝向相反的方向,0 表示它们的角度为 90 度(它们无关),+1 表示它们相同。 因此,在将搜索查询与文档匹配时,我们会寻找接近 +1 的值。

        如果我们事先对嵌入进行归一化,则余弦相似度测度将等效于点积相似度测度(分母变为 1)。

        下面让我们使用 Python 包 sentence-transformers 来计算一下基本的语义搜索。

pip install sentence-transformers

     首先,从 HuggingFace 下载全 MiniLM-L6-v2 编码器模型,可生成 384 维密集嵌入。​​​​​​​

from sentence_transformers import SentenceTransformer
# 1. Load a pretrained Sentence Transformer modelmodel = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')

      然后,我们使用与以前相同的文档语料库。​​​​​​​

# The documents to encodecorpus = [    "The cat, commonly referred to as the domestic cat or house cat, is a small domesticated carnivorous mammal.",        "The dog is a domesticated descendant of the wolf.",        "Humans are the most common and widespread species of primate, and the last surviving species of the genus Homo.",        "The scientific name Felis catus was proposed by Carl Linnaeus in 1758"]    # Calculate embeddings by calling model.encode()document_embeddings = model.encode(corpus)    # Sanity checkprint(document_embeddings.shape)>> (4, 384)

       对查询进行嵌入:​​​​​​​

query = "The cat"query_embedding = model.encode(query)

      最后,计算余弦相似度分数。可以使用 sentence_transformers 中的 utility 函数 cos_sim,而不是自己编写公式。​​​​​​​

from sentence_transformers.util import cos_sim

# Compute cosine_similarity between documents and queryscores = cos_sim(document_embeddings, query_embedding)

print(scores)>> tensor([[0.5716],  # score for document 1>>         [0.2904],  # score for document 2>>         [0.0942],  # score for document 3>>         [0.3157]]) # score for document 4

       为了了解使用密集嵌入的语义搜索的强大功能,我可以使用查询 “feline” 重新运行代码:​​​​​​​

query_embedding = model.encode("feline")
scores = cos_sim(document_embeddings, query_embedding)
print(scores)>> tensor([[0.4007],>>         [0.3837],>>         [0.0966],>>         [0.3804]])

       即使 “feline” 一词没有出现在文档语料库中,语义搜索仍然将有关猫的文本列为最高匹配度。

三、语义搜索还是关键字搜索?

       哪种搜索方法更好?这要看情况。两者都有优点和缺点。现在我们知道了两者的工作原理,我们可以看到它们在哪些方面有用,哪些方面可能失败。

       使用 BM25 进行关键字搜索会查找查询词的完全匹配项。当我们在寻找短语的精确匹配时,这可能非常有用。

       如果我在找《帽子里的猫》(The Cat in the Hat),我可能在找这本书/电影。而且我不希望出现语义上相似的结果,这些结果接近 hats 或 cats。

       关键字搜索的另一个用例是编程。如果我正在寻找特定的函数或代码段,我想要一个完全匹配。

       另一方面,语义搜索会查找语义相似的内容。这意味着语义搜索还会查找具有同义词或不同拼写(如复数、大写等)的文档。

       由于这两种算法都有其用例,因此混合搜索同时使用这两种算法,然后将它们的结果合并为一个最终排名。

       混合搜索的缺点是它比只运行一种算法需要更多的计算资源。

四、混合搜索

       我们可以使用倒数秩融合 (RRF) 将 BM25 和余弦相似性的结果结合起来。RRF 是一种简单的算法,用于组合不同评分函数的排名 [4]。

       首先,我们需要获取每种评分算法的文档排名。在我们的示例中,这将是:​​​​​​​

corpus = [    "The cat, commonly referred to as the domestic cat or house cat, is a small domesticated carnivorous mammal.",        "The dog is a domesticated descendant of the wolf.",        "Humans are the most common and widespread species of primate, and the last surviving species of the genus Homo.",        "The scientific name Felis catus was proposed by Carl Linnaeus in 1758",]    query = "The cat"bm25_ranking = [1, 2, 4, 3] # scores = [0.92932018 0.21121974 0. 0.1901173]cosine_ranking = [1, 3, 4, 2] # scores = [0.5716, 0.2904, 0.0942, 0.3157]

       每个文档 d 的综合 RRF 分数公式如下:

图片

       其中 k 是一个参数(原始论文使用 k=60),r(d) 是 BM25 和余弦相似度的排名。

       现在,我们可以通过分别进行 BM25 和余弦相似性,然后将结果与 RRF 相结合来实现我们的混合搜索。

       首先,让我们定义 RRF 的函数和将浮点分数转换为 int 排名的辅助函数。​​​​​​​

import numpy as np
def scores_to_ranking(scores: list[float]) -> list[int]:    """Convert float scores into int rankings (rank 1 is the best)"""        return np.argsort(scores)[::-1] + 1    def rrf(keyword_rank: int, semantic_rank: int) -> float:    """Combine keyword rank and semantic rank into a hybrid score."""        k = 60        rrf_score = 1 / (k + keyword_rank) + 1 / (k + semantic_rank)        return rrf_score

        这是我使用上述概念的简单混合搜索实现。​​​​​​​

from rank_bm25 import BM25Okapifrom sentence_transformers import SentenceTransformerfrom sentence_transformers.util import cos_sim
model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")def hybrid_search(    query: str, corpus: list[str], encoder_model: SentenceTransformer    ) -> list[int]:    # bm25        tokenized_corpus = [doc.split(" ") for doc in corpus]        tokenized_query = query.split(" ")        bm25 = BM25Okapi(tokenized_corpus)        bm25_scores = bm25.get_scores(tokenized_query)        bm25_ranking = scores_to_ranking(bm25_scores)            # embeddings        document_embeddings = model.encode(corpus)        query_embedding = model.encode(query)        cos_sim_scores = cos_sim(document_embeddings, query_embedding).flatten().tolist()        cos_sim_ranking = scores_to_ranking(cos_sim_scores)            # combine rankings into RRF scores        hybrid_scores = []        for i, doc in enumerate(corpus):                document_ranking = rrf(bm25_ranking[i], cos_sim_ranking[i])                print(f"Document {i} has the rrf score {document_ranking}")                hybrid_scores.append(document_ranking)                # convert RRF scores into final rankings        hybrid_ranking = scores_to_ranking(hybrid_scores)        return hybrid_ranking

现在我们可以将 hybrid_search 用于不同的查询。​​​​​​​

hybrid_ranking = hybrid_search(    query="What is the scientifc name for cats?", corpus=corpus, encoder_model=model    )print(hybrid_ranking)>> Document 0 has the rrf score 0.03125>> Document 1 has the rrf score 0.032266458495966696>> Document 2 has the rrf score 0.03225806451612903>> Document 3 has the rrf score 0.032266458495966696>> [4 2 3 1]

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2324904.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

[操作系统,学习记录]3.进程(2)

1.fork(); 玩法一:通过返回值if,else去执行不同的代码片段 玩法二:if,else然后调用execve函数去执行新的程序 2.进程终止: 退出码,子进程通过exit/return返回,父进程wait/waitpid等待而得&am…

26考研——排序_选择排序_选择排序的基本思想 简单选择排序(8)

408答疑 文章目录 四、选择排序选择排序的基本思想简单选择排序定义算法思想性能分析空间效率时间效率稳定性 适用性 九、参考资料鲍鱼科技课件26王道考研书 四、选择排序 选择排序的基本思想 每一趟(如第 i i i 趟)在剩下 n − i 1 n-i1 n−i1&…

PPT——组合SCI论文图片

SCI论文中对于图的排版常常是最头疼的事情,通常需要几个图组合在一起,并且如何控制图中的字体一致也是麻烦事。 保持这个大图里面的一致,转头一看跟其他图又不一致了。最近跟我的博导学了一手,今天就来记录一下吧。主要用到的软件…

Tabby 一:如何在Mac配置保姆级教程(本地模型替换hugging face下载)

1. brew安装 mac需要先安装brew,如果本地已经安装过brew这一步可以忽略,遇到问题可以自己ai问 /bin/bash -c "$(curl -fsSL https://gitee.com/cunkai/HomebrewCN/raw/master/Homebrew.sh)" 可能遇到source .zprofile失败,因为…

CentOS 安装LAMP全过程 - 完整步骤与最佳实践

在开始搭建 LAMP 环境之前,需要确保系统已经满足以下条件: 1、操作系统:CentOS 7 或 CentOS 8 2、网络连接:系统必须能够访问互联网以下载所需的软件包 3、权限:需要 root 权限或者通过sudo 提权执行命令 先更新系…

基于DCT变换和Huffman编码的图像压缩解压缩算法matlab性能仿真

目录 1.算法运行效果图预览 2.算法运行软件版本 3.部分核心程序 4.算法理论概述 4.1 DCT变换 4.2 Huffman编码的数学原理 4.3 图像压缩流程 4.4 仿真测试指标 5.算法完整程序工程 1.算法运行效果图预览 (完整程序运行后无水印) 2.算法运行软件版本 matlab2022a/matl…

Vue下 Sortable 实现 table 列表字段可拖拽排序,显示隐藏组件开发

vue 开发table 列表时&#xff0c;需要动态调整列字段的顺序和显示隐藏 实现效果如图所示&#xff1a; vue 组件代码 <template><div style"width: 90%; margin: 0 auto;"><el-table :data"tableData" border"" ref"table…

李飞飞、吴佳俊团队新作:FlowMo如何以零卷积、零对抗损失实现ImageNet重构新巅峰

目录 一、摘要 二、引言 三、相关工作 四、方法 基于扩散先前的离散标记化器利用广告 架构 阶段 1A&#xff1a;模式匹配预训练 阶段 1B&#xff1a;模式搜索后训练 采样 第二阶段&#xff1a;潜在生成建模 五、Coovally AI模型训练与应用平台 六、实验 主要结果 …

.js项目编译成.exe程序(交叉编译全过程整理)

1.前提: (这个文档有配套的视频解说教程,大家想看的话, 直接在 blibli搜索 , 尘埃落在星河湾 这个up主, 将vtk.js打包成.exe实录课程_哔哩哔哩_bilibili ) 先将下载库的环境搭建好: 打开编辑配置文件,下面代码依次执行 npm config edit registryhttps://registry.npmmirror.com…

OpenAI 推出图像生成新突破:GPT-4o 实现图像编辑对话化

关键要点 OpenAI 推出了 4o 图像生成功能&#xff0c;集成于 GPT-4o&#xff0c;提供精准且逼真的图像生成。 它似乎适用于多种用户&#xff0c;包括免费用户&#xff0c;API 访问预计几周内推出。 安全措施包括 C2PA 元数据和内容屏蔽&#xff0c;限制生成不适当图像。 研究…

android11关机安卓充电的UI定制化

引言 首先上一张安卓充电的图片&#xff1a; 安卓关机状态下有两种充电模式&#xff1a;uboot-charge和android-charge&#xff0c;可通过dts配置使用哪一种充电模式。 dts配置中uboot-charge和android-charge是互斥的&#xff0c;如下配置的是开启android-charge&#xff1a;…

Web前端之JavaScript的DOM操作冷门API

MENU 前言1、Element.checkVisibility()2、TreeWalker3、Node.compareDocumentPosition()4、scrollIntoViewIfNeeded()5、insertAdjacentElement()6、Range.surroundContents()7、Node.isEqualNode()8、document.createExpression()小结 前言 作为前端开发者&#xff0c;我们每…

集成开发环境革新:IntelliJ IDEA与Cursor AI的智能演进

集成开发环境革新&#xff1a;IntelliJ IDEA 与 Cursor AI 的智能演进 集成开发环境&#xff08;IDE&#xff09; 是软件开发者必不可少的工具。一个优秀的 IDE 不仅能够帮助编写和调试代码&#xff0c;还能集成版本控制和代码优化等多种功能。如今&#xff0c;随着人工智能&a…

EXCEL报错:无法共享此工作薄,因表包含excel表或xml映射的解决方法

在分享工作薄是&#xff0c;如果出现了“无法共享此工作薄&#xff0c;因表包含excel表或xml映射”的报错&#xff0c;那么有两个原因&#xff1a; 1.包含Excel表格&#xff0c;这个也是相对比较常见的原因。 首先选中表格。如果你不知道表的位置在哪&#xff0c;那么在Excel左…

《Linux运维实战:Ubuntu 22.04配置pam实现密码复杂度策略》

总结&#xff1a;整理不易&#xff0c;如果对你有帮助&#xff0c;可否点赞关注一下&#xff1f; 更多详细内容请参考&#xff1a;Linux运维实战总结 一、背景信息 由于安全方面的考虑&#xff0c;先要求Ubuntu 22.04系统需配置密码复杂度策略&#xff0c;先要求如下&#xff1…

从代码学习深度学习 - 使用块的网络(VGG)PyTorch版

文章目录 前言一、VGG网络简介1.1 VGG的核心特点1.2 VGG的典型结构1.3 优点与局限性1.4 本文的实现目标二、搭建VGG网络2.1 数据准备2.2 定义VGG块2.3 构建VGG网络2.4 辅助工具2.4.1 计时器和累加器2.4.2 准确率计算2.4.3 可视化工具2.5 训练模型2.6 运行实验总结前言 深度学习…

Windows 安装多用户和其它一些问题 VMware Onedrive打不开

以下以win10家庭版为例&#xff0c;win11、专业版类似。 Onedrive相关问题参看我的其他文章&#xff1a; Windows如何同时登录两个OneDrive个人版账号_onedrive登录两个账号-CSDN博客 win10 win11 设置文件权限以解决Onedrive不能同步问题_onedrive没有同步权限-CSDN博客 O…

java基础自用笔记:异常、泛型、集合框架(List、Set、Map)、Stream流

异常 异常体系 编译时异常代表程序觉得你可能会出错。 运行时异常代表已经出错 异常基本处理 异常的作用 可以在可能出现的异常的地方用返回异常来代替return&#xff0c;这样提醒程序出现异常简洁清晰 自定义异常 最好用运行时异常&#xff0c;不会像编译时异常那样烦人&a…

第六届 蓝桥杯 嵌入式 省赛

参考 第六届蓝桥杯嵌入式省赛程序设计题解析&#xff08;基于HAL库&#xff09;_蓝桥杯嵌入式第六届真题-CSDN博客 一、分析功能 RTC 定时 1&#xff09;时间初始化 2&#xff09;定时上报电压时间 ADC测量 采集电位器的输出电压信号。 串行功能 1&#xff09;传送要设置…

爱普生FC-135晶振5G手机的极端温度性能守护者

在5G时代&#xff0c;智能手机不仅需要高速率与低延迟&#xff0c;更需在严寒、酷暑、振动等复杂环境中保持稳定运行。作为 5G 手机的核心时钟源&#xff0c;爱普生32.768kHz晶振FC-135凭借其宽温适应性、高精度稳定性与微型化设计&#xff0c;成为5G手机核心时钟源的理想选择&…