譯者 | 朱先忠

審校 | 重樓

本文將探討基于LangChain框架和云原生向量數(shù)據(jù)庫Milvus并將密集嵌入與稀疏嵌入結(jié)合起來開發(fā)混合搜索型AI程序的實(shí)戰(zhàn)過程。

簡(jiǎn)介

最近，我們——來自IBM研究中心的團(tuán)隊(duì)——需要在Milvus向量存儲(chǔ)中使用混合搜索技術(shù)。因?yàn)槲覀円呀?jīng)在使用LangChain框架，所以我們決定一鼓作氣貢獻(xiàn)出在langchain-milvus中啟用這一功能所需的一切。其中包括通過langchain接口支持稀疏嵌入和多向量搜索技術(shù)。

在本文中，我們首先簡(jiǎn)要介紹密集嵌入和稀疏嵌入之間的區(qū)別，然后分析如何使用混合搜索來利用這兩種嵌入技術(shù)。然后，我們還將提供關(guān)鍵部分的源代碼分析，以演示如何在langchain-milvus中使用這些新功能。

為了使用本文中的代碼，首先應(yīng)該安裝如下一些軟件包：

pip install langchain_milvus==0.1.6
pip install langchain-huggingface==0.1.0
pip install "pymilvus[model]==2.4.8"

然后，進(jìn)行如下導(dǎo)入：

from langchain_huggingface import HuggingFaceEmbeddings
from langchain_milvus.utils.sparse import BM25SparseEmbedding
from langchain_milvus.vectorstores import Milvus

你還可以在鏈接https://gist.github.com/omriel1/3b8ea57cc14b896237c47d5417eaec8f處查看和克隆整個(gè)代碼。

接下來，我們正式開始。

密集嵌入

使用向量存儲(chǔ)的最常見方式是使用密集嵌入。在這里，我們使用預(yù)先訓(xùn)練的模型將數(shù)據(jù)（通常是文本，但也可以是其他媒體，如圖像等）嵌入到高維向量中，并將其存儲(chǔ)在向量數(shù)據(jù)庫中。向量有幾百（甚至幾千）個(gè)維度，每個(gè)條目都是浮點(diǎn)數(shù)。通常，向量中的所有條目都對(duì)應(yīng)非零值，因此稱為“密集”。給定一個(gè)查詢，我們使用相同的模型將其嵌入，向量存儲(chǔ)根據(jù)向量相似性檢索相似的相關(guān)數(shù)據(jù)。借助于langchain-milvus這個(gè)框架，只需幾行代碼即可實(shí)現(xiàn)這一點(diǎn)。讓我們具體看一下這是如何完成的。

首先，我們使用來自HuggingFace的模型定義向量存儲(chǔ)：

dense_embedding = HuggingFaceEmbeddings(model_name=
"sentence-transformers/all-MiniLM-L6-v2")
vector_store = Milvus(
embedding_function=dense_embedding,
connection_args={"uri": "./milvus_dense.db"}, # Using milvus-lite for simplicity
auto_id=True,
)

然后，我們將數(shù)據(jù)插入到向量存儲(chǔ)中：

document = [
"Today was very warm during the day but cold at night",
"In Israel, Hot is a TV provider that broadcasts 7 days a week",
]
vector_store.add_texts(documents)

在后臺(tái)，每個(gè)文檔都使用我們提供的模型嵌入到向量中，并與原始文本一起存儲(chǔ)。

最后，我們可以搜索查詢并打印得到的結(jié)果：

query = "What is the weather? is it hot?"
dense_output = vector_store.similarity_search(query=query, k=1)
print(f"Dense embeddings results:\n{dense_output[0].page_content}\n")

# 輸出——密集嵌入的結(jié)果如下：
#         Today was very warm during the day but cold at night

在這里，查詢被嵌入，向量存儲(chǔ)執(zhí)行（通常是近似的）相似性搜索并返回找到的最接近的內(nèi)容。

密集嵌入模型經(jīng)過訓(xùn)練，可以捕獲數(shù)據(jù)的語義含義并將其表示在多維空間中。其優(yōu)勢(shì)很明顯——它支持語義搜索；這意味著，結(jié)果基于查詢的含義。但是，有時(shí)僅僅這些還不夠。譬如，如果你尋找特定的關(guān)鍵字，甚至是沒有更廣泛含義的單詞（如名稱），語義搜索就會(huì)誤導(dǎo)你，這種方法就會(huì)失敗。

稀疏嵌入

在LLM成為現(xiàn)實(shí)之前，學(xué)習(xí)模型還沒有那么流行，搜索引擎使用傳統(tǒng)方法（如TF-IDF算法或其現(xiàn)代增強(qiáng)版的BM25算法——因其在開源分布式搜索引擎Elasticsearch中的使用而聞名）來搜索相關(guān)數(shù)據(jù)。使用這些方法，維度的數(shù)量就是詞匯量（通常為數(shù)萬，比密集向量空間大得多），每個(gè)條目代表關(guān)鍵字與文檔的相關(guān)性，同時(shí)這也考慮到該術(shù)語的頻率及其在文檔語料庫中的稀有性。對(duì)于每個(gè)數(shù)據(jù)點(diǎn)，大多數(shù)條目都是零（表示未出現(xiàn)的單詞），因此稱為“稀疏”。雖然底層實(shí)現(xiàn)不同，但使用langchain-milvus接口后，它變得非常相似。讓我們看看它的實(shí)際效果：

sparse_embedding = BM25SparseEmbedding(corpus=documents)
vector_store = Milvus(
embedding_function=sparse_embedding,
connection_args={"uri": "./milvus_sparse.db"},
auto_id=True,
)
vector_store.add_texts(documents)

query = "Does Hot cover weather changes during weekends?"
sparse_output = vector_store.similarity_search(query=query, k=1)
print(f"Sparse embeddings results:\n{sparse_output[0].page_content}\n")

#輸出：稀疏嵌入結(jié)果：
#         In Israel, Hot is a TV provider that broadcast 7 days a week

BM25適用于精確關(guān)鍵字匹配，這對(duì)于缺乏明確語義含義的術(shù)語或名稱非常有用。但是，它不會(huì)捕捉查詢的意圖，并且在需要語義理解的許多情況下會(huì)產(chǎn)生較差的結(jié)果。

【注意】“稀疏嵌入”一詞也指SPLADE或Elastic Elser等高級(jí)方法。這些方法也可以與Milvus一起使用，并可以集成到混合搜索中！

作者本人提供的圖片

混合搜索

如果你在上面兩個(gè)示例之間交換查詢，并將每個(gè)查詢與另一個(gè)嵌入一起使用，則兩者都會(huì)產(chǎn)生錯(cuò)誤的結(jié)果。這表明每種方法都有其優(yōu)點(diǎn)，也有其缺點(diǎn)?；旌纤阉鲗烧呓Y(jié)合起來，旨在充分利用兩者的優(yōu)點(diǎn)。通過使用密集和稀疏嵌入對(duì)數(shù)據(jù)進(jìn)行索引，我們可以執(zhí)行同時(shí)考慮語義相關(guān)性和關(guān)鍵字匹配的搜索，并根據(jù)自定義權(quán)重平衡結(jié)果。同樣，內(nèi)部實(shí)現(xiàn)更復(fù)雜，但langchain-milvus庫使得這一過程非常容易。讓我們看看它是如何工作的：

vector_store = Milvus(
embedding_function=[
sparse_embedding,
dense_embedding,
],
connection_args={"uri": "./milvus_hybrid.db"}, 
auto_id=True,
)
vector_store.add_texts(documents)

在此設(shè)置中，稀疏和密集嵌入均適用。下面，讓我們測(cè)試一下具有相等權(quán)重的混合搜索：

query = "Does Hot cover weather changes during weekends?"
hybrid_output = vector_store.similarity_search(
query=query,
k=1,
ranker_type="weighted",
ranker_params={"weights": [0.49, 0.51]},  # Combine both results!
)
print(f"Hybrid search results:\n{hybrid_output[0].page_content}")

#輸出：混合搜索結(jié)果：
#         In Israel, Hot is a TV provider that broadcast 7 days a week

這將使用每個(gè)嵌入函數(shù)搜索相似的結(jié)果，為每個(gè)分?jǐn)?shù)賦予權(quán)重，并返回具有最佳加權(quán)分?jǐn)?shù)的結(jié)果。我們可以看到，如果對(duì)密集嵌入賦予稍微多一點(diǎn)的權(quán)重，我們就會(huì)得到想要的結(jié)果。對(duì)于第二個(gè)查詢也是如此。

如果我們對(duì)密集嵌入賦予更多權(quán)重，我們將再次得到不相關(guān)的結(jié)果，就像單獨(dú)使用密集嵌入一樣：

query = "When and where is Hot active?"
hybrid_output = vector_store.similarity_search(
query=query,
k=1,
ranker_type="weighted",
ranker_params={"weights": [0.2, 0.8]},  # Note -> the weights changed
)
print(f"Hybrid search results:\n{hybrid_output[0].page_content}")

# 輸出：混合搜索結(jié)果：
#         Today was very warm during the day but cold at night

在密集和稀疏之間找到適當(dāng)?shù)钠胶獠⒎且资?，可以看作是更廣泛的超參數(shù)優(yōu)化問題的一部分。目前正在進(jìn)行的研究和工具試圖解決該領(lǐng)域的此類問題，例如IBM的AutoAI for RAG。

你可以通過更多方式調(diào)整和使用混合搜索方法。例如，如果每個(gè)文檔都有一個(gè)關(guān)聯(lián)的標(biāo)題，則可以使用兩個(gè)密集嵌入函數(shù)（可能使用不同的模型）——一個(gè)用于標(biāo)題，另一個(gè)用于文檔內(nèi)容——并對(duì)兩個(gè)索引執(zhí)行混合搜索。Milvus目前支持多達(dá)10個(gè)不同的向量字段，為復(fù)雜的應(yīng)用程序提供了靈活性。還有用于索引和重新排名方法的其他配置，你可以查看有關(guān)可用參數(shù)和選項(xiàng)的Milvus文檔。

結(jié)束語

現(xiàn)在，可以通過LangChain訪問Milvus的多向量搜索功能，你可以輕松地將混合搜索集成到自己的應(yīng)用程序中。這為在你的應(yīng)用程序中應(yīng)用不同的搜索策略開辟了新的可能性，從而可以輕松地定制搜索邏輯以適應(yīng)特定使用場(chǎng)景。對(duì)我們來說，這是為開源項(xiàng)目做貢獻(xiàn)的好機(jī)會(huì)。我們?nèi)粘Ｊ褂玫脑S多庫和工具都是開源的，回饋社區(qū)是件好事。希望這對(duì)其他人有所幫助。

最后，我要大聲感謝Erick Friis和Cheng Zi為langchain-milvus所做的所有努力。沒有他們，這項(xiàng)工作就不可能完成。

譯者介紹

朱先忠，51CTO社區(qū)編輯，51CTO專家博客、講師，濰坊一所高校計(jì)算機(jī)教師，自由編程界老兵一枚。

原文標(biāo)題：Dance Between Dense and Sparse Embeddings: Enabling Hybrid Search in LangChain-Milvus，作者：Omri Levy，Ohad Eytan