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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多