SGPT: 基于GPT的语义搜索句子嵌入

RayRay
SGPT语义搜索双编码器交叉编码器对比微调Github开源项目

SGPT: 基于GPT的语义搜索句子嵌入

语义搜索是信息检索领域的一个重要任务,其目标是根据语义相似度而非简单的关键词匹配来检索相关文档。近年来,随着预训练语言模型的发展,基于神经网络的语义搜索方法取得了显著进展。本文介绍了一种新的语义搜索方法 - SGPT(GPT Sentence Embeddings for Semantic Search),该方法利用GPT模型生成高质量的句子嵌入,可用于多种语义搜索场景。

SGPT的核心思想

SGPT的核心思想是利用GPT等大规模预训练语言模型的强大语义理解能力,将其应用到语义搜索任务中。具体来说,SGPT提出了两种主要的模型架构:

  1. SGPT-BE (Bi-Encoder): 双编码器架构,分别对查询和文档进行编码,然后计算相似度。

  2. SGPT-CE (Cross-Encoder): 交叉编码器架构,将查询和文档作为一个整体输入模型,直接预测相关性分数。

这两种架构都可以应用于对称搜索(查询和文档使用相同的编码方式)和非对称搜索(查询和文档使用不同的编码方式)场景。

SGPT模型架构图

SGPT-BE: 基于GPT的双编码器

SGPT-BE采用了一种创新的方法来生成句子嵌入:

  1. 只微调GPT模型的偏置张量,保持其他参数固定,这样可以大大减少需要训练的参数量。

  2. 使用位置加权平均池化来生成固定长度的句子表示。具体来说,对每个token的表示按其在序列中的位置进行加权,然后取平均。

  3. 对于非对称搜索,在查询和文档前分别添加特殊标记([和{),以区分它们的角色。

通过这种方法,SGPT-BE可以生成高质量的句子嵌入,同时保持计算效率。

SGPT-CE: 基于GPT的交叉编码器

SGPT-CE直接利用GPT模型的语言建模能力来评估查询-文档对的相关性:

  1. 将查询和文档拼接成一个序列,输入GPT模型。

  2. 计算模型对查询部分的对数概率,作为相关性分数。

  3. 无需任何微调,直接使用预训练的GPT模型。

这种方法充分利用了GPT模型的零样本学习能力,可以在没有任何训练数据的情况下进行语义搜索。

SGPT的优势

SGPT相比传统方法具有以下优势:

  1. 利用大规模预训练语言模型的强大语义理解能力。

  2. 支持双编码器和交叉编码器两种架构,适用于不同的应用场景。

  3. 可用于对称和非对称搜索,灵活性高。

  4. SGPT-BE只需微调少量参数,训练效率高。

  5. SGPT-CE无需微调,可直接进行零样本语义搜索。

实验结果

研究者在多个基准数据集上评估了SGPT的性能,包括BEIR(异构领域检索)和USEB(同构领域检索)。实验结果表明:

  1. 在BEIR上,SGPT-BE(5.8B参数)在27个数据集中的22个上优于DPR等强基线。

  2. 在USEB上,SGPT-BE(5.8B参数)在所有6个数据集上都取得了最佳性能。

  3. SGPT-CE展现出强大的零样本能力,在多个数据集上超越了经过微调的BERT交叉编码器。

  4. 增加模型规模可以持续提升性能,表明SGPT有潜力从更大的语言模型中受益。

这些结果充分证明了SGPT在语义搜索任务上的有效性和潜力。

使用SGPT

研究者提供了多种使用SGPT的方式,包括:

  1. 基于Hugging Face Transformers的实现:

    • 支持SGPT-BE和SGPT-CE
    • 提供了对称和非对称搜索的示例代码
  2. 基于Sentence Transformers的实现:

    • 与流行的Sentence Transformers库兼容
    • 提供了简单易用的API
  3. 预训练模型:

    • 在Hugging Face Model Hub上提供了多个预训练模型
    • 包括不同参数规模(从125M到5.8B)的模型

这些实现和预训练模型大大降低了使用SGPT的门槛,使其可以被广泛应用于各种语义搜索场景。

总结与展望

SGPT为语义搜索提供了一种新的范式,通过利用GPT等大规模预训练语言模型的能力,在多个基准测试中取得了优异的性能。它的灵活架构和简单有效的实现使其具有广阔的应用前景。

未来的研究方向可能包括:

  1. 探索更大规模的语言模型(如GPT-3)在SGPT中的应用。

  2. 将SGPT扩展到多语言和跨语言语义搜索场景。

  3. 研究如何进一步提高SGPT的计算效率,使其适用于大规模实时搜索系统。

  4. 将SGPT与其他信息检索技术(如稀疏检索)结合,构建更强大的混合搜索系统。

总的来说,SGPT为语义搜索领域带来了新的机遇和挑战,有望推动该领域的进一步发展。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多