检索与重排序

在语义搜索中，我们展示了如何使用 SentenceTransformer 为查询、句子和段落计算嵌入，以及如何将其用于语义搜索。对于复杂的搜索任务，例如问答检索，通过使用检索与重排序可以显著改善搜索效果。

检索与重排序流程

以下信息检索/问答检索流程效果非常好。本文将提供并解释所有组件。

InformationRetrieval

给定一个搜索查询，我们首先使用一个检索系统，该系统检索一个包含例如 100 个可能命中项的大列表，这些命中项可能与查询相关。对于检索，我们可以使用词汇搜索，例如使用 Elasticsearch 等向量引擎，或者我们可以使用带有 SentenceTransformer（又称双编码器）的密集检索。然而，检索系统可能会检索到与搜索查询不太相关的文档。因此，在第二阶段，我们使用基于 CrossEncoder 的重排序器，它对给定搜索查询的所有候选项的相关性进行评分。输出将是一个排名列表，我们可以将其呈现给用户。

检索：双编码器

为了检索候选集，我们可以使用词汇搜索（例如 Elasticsearch），或者我们可以使用 Sentence Transformers 中实现的双编码器。

词汇搜索在您的文档集合中查找查询词的字面匹配。它不会识别同义词、缩写或拼写变体。相比之下，语义搜索（或密集检索）将搜索查询编码到向量空间中，并检索在向量空间中接近的文档嵌入。

SemanticSearch

语义搜索克服了词汇搜索的缺点，可以识别同义词和缩写。请查看语义搜索文章，了解实现语义搜索的不同选项。

重排序器：交叉编码器

检索器必须对包含数百万条目的大型文档集合高效运行。然而，它可能会返回不相关的候选。基于交叉编码器的重排序器可以显著改善用户的最终结果。查询和可能的文档同时传递给 Transformer 网络，该网络随后输出一个介于 0 和 1 之间的单个分数，指示文档与给定查询的相关程度。

CrossEncoder

交叉编码器的优势在于其更高的性能，因为它们在查询和文档之间执行注意力机制。对数千或数百万个（查询，文档）对进行评分会相当慢。因此，我们使用检索器创建一组例如 100 个可能的候选，然后由交叉编码器对其进行重排序。

示例脚本

retrieve_rerank_simple_wikipedia.ipynb [ Colab 版本 ]：此脚本使用较小的简单英语维基百科作为文档集合，以回答用户问题/搜索查询。首先，我们将所有维基百科文章分成段落，并使用双编码器对其进行编码。如果输入新的查询/问题，它会由相同的双编码器编码，并检索具有最高余弦相似度的段落（参见语义搜索）。接下来，检索到的候选将由交叉编码器重排序器评分，并将交叉编码器得分最高的 5 个段落呈现给用户。

in_document_search_crossencoder.py：如果您只有少量段落，我们不执行检索阶段。例如，当您想在单个文档中执行搜索时就是这种情况。在此示例中，我们以关于欧洲的维基百科文章为例，并将其分成段落。然后，使用交叉编码器重排序器对搜索查询/问题和所有段落进行评分。返回与查询最相关的段落。

预训练双编码器（检索）

双编码器独立地为您的段落和搜索查询生成嵌入。您可以这样使用它：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("multi-qa-mpnet-base-dot-v1")

docs = [
    "My first paragraph. That contains information",
    "Python is a programming language.",
]
document_embeddings = model.encode(docs)

query = "What is Python?"
query_embedding = model.encode(query)

有关如何比较嵌入的更多详细信息，请参见语义搜索。

我们提供基于以下内容的预训练模型：

MS MARCO：来自 Bing 搜索引擎的 50 万真实用户查询。参见MS MARCO 模型

预训练交叉编码器（重排序器）

对于预训练的交叉编码器模型，请参见：MS MARCO 交叉编码器