以领域预训练和对比学习SimCSE为基础的语义检索

　　今天给大家分享的是以领域预训练和对比学习SimCSE为基础的语义检索，语义检索相比传统基于字面关键词的检索有诸多优势，广泛应用于问答、搜索系统中。下面我们来看具体详情！

　　所谓语义检索（也称基于向量的检索），是指检索系统不再拘泥于用户Query字面本身（例如BM25检索），而是能精准捕捉到用户Query背后的真正意图并以此来搜索，从而向用户返回更准确的结果。

　　其可视化demo如下，一方面可以获取文本的向量表示；另一方面可以做文本检索，即得到输入Query的top-K相关文档！

　　语义检索，底层技术是语义匹配，是NLP基础常见的任务之一。从广度上看，语义匹配可以应用到QA、搜索、推荐、广告等各大方向；从技术深度上看，语义匹配需要融合各种SOTA模型、双塔和交互两种常用框架的魔改、以及样本处理的艺术和各种工程tricks。

　　比较有趣的是，在查相关资料的时候，发现百度飞桨PaddleNLP近期刚开源了类似的功能，可谓国货之光！之前使用过PaddleNLP，基本覆盖了NLP的各种应用和SOTA模型，调用起来也非常方便，强烈推荐大家试试！

　　接下来基于PaddleNLP提供的轮子一步步搭建语义检索系统。整体框架如下，由于计算量与资源的限制，一般工业界的搜索系统都会设计成多阶段级联结构，主要有召回、排序（粗排、精排、重排）等模块，各司其职。

　　step-1：利用预训练模型离线构建候选语料库；

　　step-2：召回模块，对于在线查询Query，利用Milvus快速检索得到top1000候选集；

　　step-3：排序模块，对于召回的top1000，再做更精细化的排序，得到top100结果返回给用户。

　　语义检索技术框架图

　　整体概览

　　1.1数据

　　数据来源于某文献检索系统，分为有监督（少量）和无监督（大量）两种。

　　1.2代码

　　首先clone代码：

　　运行环境是：

　　python3

　　paddlepaddle==2.2.1

　　paddlenlp==2.2.1

　　还有一些依赖包可以参考requirements.txt。

　　离线建库

　　从上面的语义检索技术框架图中可以看出，首先我们需要一个语义模型对输入的Query/Doc文本提取向量，这里选用基于对比学习的SimCSE，核心思想是使语义相近的句子在向量空间中临近，语义不同的互相远离。

　　那么，如何训练才能充分利用好模型，达到更高的精度呢？对于预训练模型，一般常用的训练范式已经从『通用预训练->领域微调』的两阶段范式变成了『通用预训练->领域预训练->领域微调』三阶段范式。

　　具体地，在这里我们的模型训练分为几步（代码和相应数据在下一节介绍）：

　　1.在无监督的领域数据集上对通用ERNIE 1.0进一步领域预训练，得到领域ERNIE；

　　2.以领域ERNIE为热启，在无监督的文献数据集上对SimCSE做预训练；

　　3.在有监督的文献数据集上结合In-Batch Negatives策略微调步骤2模型，得到的模型，用于抽取文本向量表示，即我们所需的语义模型，用于建库和召回。

　　由于召回模块需要从千万量级数据中快速召回候选集合，通用的做法是借助向量搜索引擎实现高效ANN，从而实现候选集召回。这里采用Milvus开源工具，关于Milvus的搭建教程可以参考官方教程

　　https://milvus.io/cn/docs/v1.1.1/

　　Milvus是一款国产高性能检索库，和Facebook开源的Faiss功能类似。

　　离线建库的代码位于PaddleNLP/applications/neural_search/recall/milvus

　　2.1抽取向量

　　依照Milvus教程搭建完向量引擎后，就可以利用预训练语义模型提取文本向量了。运行feature_extract.py即可，注意修改需要建库的数据源路径。

　　运行结束会生成1000万条的文本数据，保存为corpus_embedding.npy。

　　2.2插入向量

　　接下来，修改config.py中的Milvus ip等配置，将上一步生成的向量导入到Milvus库中。

　　抽取和插入向量两步，如果机器资源不是很"富裕"的话，可能会花费很长时间。这里建议可以先用一小部分数据进行功能测试，快速感知，等真实部署的阶段再进行全库的操作。

　　插入完成后，我们就可以通过Milvus提供的可视化工具[1]查看向量数据，分别是文档对应的ID和向量。

　　文档召回

　　召回阶段的目的是从海量的资源库中，快速地检索出符合Query要求的相关文档Doc。出于计算量和对线上延迟的要求，一般的召回模型都会设计成双塔形式，Doc塔离线建库，Query塔实时处理线上请求。

　　召回模型采用Domain-adaptive Pretraining+SimCSE+In-batch Negatives方案。

　　另外，如果只是想快速测试或部署，PaddleNLP也贴心地开源了训练好的模型文件，下载即可用，这里直接贴出模型链接：

　　领域预训练ERNIE：

　　https://bj.bcebos.com/v1/paddlenlp/models/ernie_pretrain.zip

　　无监督SimCSE：

　　https://bj.bcebos.com/v1/paddlenlp/models/simcse_model.zip

　　有监督In-batch Negatives：

　　https://bj.bcebos.com/v1/paddlenlp/models/inbatch_model.zip

　　3.1领域预训练

　　Domain-adaptive Pretraining的优势在之前文章已有具体介绍，不再赘述。直接给代码，具体功能都标注在后面。

　　3.2 SimCSE无监督预训练

　　双塔模型，采用ERNIE 1.0热启，引入SimCSE策略。训练数据示例如下代码结构如下，各个文件的功能都有备注在后面，清晰明了。

　　对于训练、评估和预测分别运行scripts目录下对应的脚本即可。训练得到模型，我们一方面可以用于提取文本的语义向量表示，另一方面也可以用于计算文本对的语义相似度，只需要调整下数据输入格式即可。

　　3.3有监督微调

　　对上一步的模型进行有监督数据微调，训练数据示例如下，每行由一对语义相似的文本对组成，tab分割，负样本来源于引入In-batch Negatives采样策略。

　　关于In-batch Negatives的细节，可以参考文章：

　　大规模搜索+预训练，百度是如何落地的？

　　https://mp.weixin.qq.com/s/MyVK6iKTiI-VpP1LKf4LIA

　　整体代码结构如下：

　　训练、评估、预测的步骤和上一步无监督的类似，聪明的你肯定一看就懂了！

　　3.4语义模型效果

　　前面说了那么多，来看看几个模型的效果到底怎么样？对于匹配或者检索模型，常用的评价指标是Recall K，即前TOP-K个结果检索出的正确结果数与全库中所有正确结果数的比值。

　　对比可以发现，首先利用ERNIE 1.0做Domain-adaptive Pretraining，然后把训练好的模型加载到SimCSE上进行无监督训练，然后利用In-batch Negatives在有监督数据上进行训练能获得优良的性能。

　　3.5向量召回

　　终于到了召回，回顾一下，在这之前我们已经训练好了语义模型、搭建完了召回库，接下来只需要去库中检索即可。代码位于

　　PaddleNLP/applications/neural_search/recall/milvus/inference.py

　　以输入国有企业引入非国有资本对创新绩效的影响——基于制造业国有上市公司的经验证据为例，检索返回效果如下

　　返回结果的较后一列为相似度，Milvus默认使用的是欧式距离，如果想换成余弦相似度，可以在Milvus的配置文件中修改。

　　文档排序

　　不同于召回，排序阶段由于面向的打分集合相对小很多，一般只有几千级别，所以可以使用更复杂的模型，这里采用ERNIE-Gram预训练模型，loss选用margin_ranking_loss。

　　训练数据示例如下，三列，分别为（query，title，neg_title）,tab分割。对于真实搜索场景，训练数据通常来源业务线上的点击日志，构造出正样本和强负样本。

　　代码结构如下

　　训练运行sh scripts/train_pairwise.sh即可。

　　同样，PaddleNLP也开源了排序模型：

　　https://bj.bcebos.com/v1/paddlenlp/models/ernie_gram_sort.zip

　　对于预测，准备数据为每行一个文本对，然后预测返回文本对的语义相似度。

　　是文化差异。','pred_prob':0.85112214}

　　{'query':'中西方语言与文化的差异','title':'跨文化视角下中国文化对外传播路径琐谈跨文化,中国文化,传播,翻译','pred_prob':0.78629625}

　　{'query':'中西方语言与文化的差异','title':'从中西方民族文化心理的差异看英汉翻译语言,文化,民族文化心理,思维方式,翻译','pred_prob':0.91767526}

　　{'query':'中西方语言与文化的差异','title':'中英文化差异对翻译的影响中英文化,差异,翻译的影响','pred_prob':0.8601749}

　　{'query':'中西方语言与文化的差异','title':'浅谈文化与语言习得文化,语言,文化与语言的关系,文化与语言习得意识,跨文化交际','pred_prob':0.8944413}

　　总结

　　本文基于PaddleNLP提供的Neural Search功能自己快速搭建了一套语义检索系统。相对于自己从零开始，PaddleNLP非常好地提供了一套轮子。如果直接下载PaddleNLP开源训练好的模型文件，对于语义相似度任务，调用现成的脚本几分钟即可搞定！对于语义检索任务，需要将全量数据导入Milvus构建索引，除训练和建库时间外，整个流程预计30-50分钟即可完成。

　　在训练的间隙还研究了下，发现GitHub上的文档也很清晰详细啊，对于小白入门同学，做到了一键运行，不至于被繁杂的流程步骤困住而逐渐失去兴趣；模型全部开源，拿来即用；对于想要深入研究的同学，PaddleNLP也开源了数据和代码，可以进一步学习，赞！照着跑下来，发现PaddleNLP太香了！赶紧Star收藏一下，持续跟进新能力吧，也表示对开源社区的一点支持~

　　https://github.com/PaddlePaddle/PaddleNLP

　　另外我们还可以基于这些功能进行自己额外的开发，譬如开篇的动图，搭建一个更直观的语义向量生成和检索服务。Have Fun！

　　在跑代码过程中也遇到一些问题，非常感谢飞桨同学的耐心解答。并且得知针对这个项目还有一节视频课程已经公开，点击链接即可观看课程：

　　https://aistudio.baidu.com/aistudio/course/introduce/24902

　　附上本次实践项目的代码：

　　https://github.com/PaddlePaddle/PaddleNLP/tree/develop/applications/neural_search

　　更多语义检索相关内容，百度云服务中心持续分享中！

　　推荐阅读：百度AI中英文OCR结构化模型StrucTexT预训练模型揭秘