基于FAQ的智能问答(二): 召回篇

水深无声 2023-09-25 15:54 5阅读 0赞

### **背景** ###

基于FAQ的智能问答本质是一个信息检索的问题，所以可以简单划分成：召回+精排 两个步骤。召回的目标是从知识库中快速的召回一小批与query相关的候选集。所以召回模型的评价方法，主要侧重于 **响应时间** 和 **top@n的召回率** 两个方面。

本文将分享我们召回模型的逐步迭代过程，从最基础的“ES字面召回”到 “ES字面召回和向量召回”的双路召回模式。

### 基于ES的简单召回 ###

在第一篇分享"[基于FAQ的智能问答(一): Elasticsearch的调教][FAQ_ Elasticsearch]" 中已经介绍了信息检索中的神器Elasticsearch！所以可以基于ES快速搭建一个召回的baseline。

具体而言，构建如下的ES查询语句，按照评分从高到低返回top50的结果：

{
        "query":{
          "match":{
            "question":"公务员考试"
          }
        },
        "explain": true
    }

而基于ES的召回实质是基于BM25的召回[\[1\]][1]:

![format_png][]

ES官网关于相似度计算的说明

通过在查询添加\`explain=true\`可以获取计算的细节:

...
    "hits" : [
    {
        "_shard" : "[lime-ai-faq][0]",
        "_node" : "X0rpCxNLQcuOW56gzFjPAA",
        "_index" : "lime-ai-faq",
        "_type" : "_doc",
        "_id" : "360",
        "_score" : 17.105383,
        "_source" : {
            "question" : "公务员考试省考和国考的题型区别大吗？",
    },
    "_explanation" : {
        "value" : 17.105383,
        "description" : "sum of:",
        "details" : [
        {
            "value" : 4.8125763,
            {
                "value" : 4.8125763,
                "description" : "score(freq=1.0), computed as boost * idf * tf from:",
                "details" : [
                {
                    "value" : 2.2,
                    "description" : "boost",
                    "details" : [ ]
                },
                {
                    "value" : 5.628467,
                    "description" : "idf, computed as log(1 + (N - n + 0.5) / (n + 0.5)) from:",
                    "details" : [
                    {
                        "value" : 8,
                        "description" : "n, number of documents containing term",
                        "details" : [ ]
                    },
                    {
                        "value" : 2364,
                        "description" : "N, total number of documents with field",
                        "details" : [ ]
                    }
                    ]
                },
                {
                    "value" : 0.38865548,
                    "description" : "tf, computed as freq / (freq + k1 * (1 - b + b * dl / avgdl)) from:",
                    "details" : [
                    {
                        "value" : 1.0,
                        "description" : "freq, occurrences of term within document",
                        "details" : [ ]
                    },
                    {
                        "value" : 1.2,
                        "description" : "k1, term saturation parameter",
                        "details" : [ ]
                    },
                    {
                        "value" : 0.75,
                        "description" : "b, length normalization parameter",
                        "details" : [ ]
                    },
                    {
                        "value" : 11.0,
                        "description" : "dl, length of field",
                        "details" : [ ]
                    },
                    {
                        "value" : 7.777073,
                        "description" : "avgdl, average length of field",
                        "details" : [ ]
                    }
                    ]
                }
                ]
            }
            ]
        }
    },
    {
      "value" : 4.8125763,
      "description" : "weight(question:公务 in 965) [PerFieldSimilarity], result of:",
      "details" : [...]
    },
    {
      "value" : 3.8403268,
      "description" : "weight(question:员 in 965) [PerFieldSimilarity], result of:",
      "details" : [...]
    },
    {
      "value" : 3.639904,
      "description" : "weight(question:考试 in 965) [PerFieldSimilarity], result of:",
      "details" : [...]
    },
    ]

�����=Σ�����∗��∗���=Σ�����∗(��������+�1∗(1−�+�∗�����))∗���2�+1�+0.5)

boost：用来控制检索字段的权重。默认值为2.2；

k1：控制词频结果在词频饱和度中的上升速度**。**默认值为1.2。值越小饱和度变化越快，值越大饱和度变化越慢；

b：控制字段长归一值所起的作用**，**0.0会禁用归一化，1.0会启用完全归一化。默认值为0.75；

\-----------

但是基于ES的召回，也就是BM25的召回方案，还是基于字面的关键词进行召回，无法进行语义的召回。考虑下面的场景

知识库内的问题是：“可以免运费吗？”

用户的query如果是：“你们还包邮？”

可以看到用户的query和知识库中的问题没有一个关键词相同，但是其实是语义一致的。这就需要基于语义的召回来补充。

### 基于语义的召回 ###

基于语义的召回通常是基于embedding的召回。具体而言，首先训练sentence embedding模型，然后将知识库中的问题都预先计算出embedding向量。在线上预测阶段，对于每个query同样先计算出embedding，再到知识库中检索出相近的embedding所属的问题。

这里采用的方案参考的是facebook最新的论文: Embedding-based Retrieval in Facebook Search[\[2\]][2],是一个pair wise的模型架构，并且针对负样本的构建做了深入的实验。

**模型结构**

我们采用的基本结构是albert获取embedding，然后通过pair-loss function进行fine-tuning。

![format_png 1][]

基于pair-wise的模型结构

这里的loss function： �=���(0,�(�,�+)−�(�,�−)+�)

其中 �(�,�)=1−���(�,�)∈\[0,1\]

这里m为超参数，对于“简单”的样本，正样本和负样本之间的距离大于m，L即为0。所以m的存在，让模型更加关注比较“难”的样本。

**数据构建**

我们尝试构建一个通用领域的召回数据集，格式为（q，d+，d-）的三元组。

这里我们借鉴了论文Embedding-based Retrieval in Facebook Search中的思路，d-负样本包括easy和hard两类。

具体而言，首先收集一个通用领域的query集合，再带入百度知道中检索，提取1-20页的结果。

![format_png 2][]

第一页的结果，作为正样本

![format_png 3][]

第二十页的结果

{
        "q":"北京有哪些旅游景点"
        "page_1": [
            "北京有哪些旅游景点啊?"
            "北京有哪些旅游景点好玩"
            "北京有哪些旅游景点最出名？可以推荐一些吗？"
            ...
        ],
        ....
        "page_20": [
            "北京旅游景点线路的服务标准都有哪些？"
            "北京周围方圆三百里有什么旅游景点。。农业观光区。。",
            "北京到包头沿途有什么旅游景点？"
            ...
        ]
    }

抓取的数据集如上所示，每个query包括都包括1-20页的问题。

对于每个query，随机从page1-3页中提取5个问题作为**正样本**，从page20页中随机抽取3个问题，并且与query之间的rouge值<0.15的作为 **“hard”负样本，**从其他的query的问题中随机抽取12个问题作为 “**easy 负样本**”

这样每个query，包括5个正样本和15个负样本。两两组合就可以构建出 75个 (q,d+,d-)三元组。

**ES dense\_vector**

基于embedding的检索，已经有很多成熟的方案，包括：Annoy、Faiss、Elasticsearch (dense\_vector)等。最终考虑不引入新的框架（挖坑），我们还是选择继续在ES中来实现，主要就是基于ES的dense vector。

在MySQL同步到ES的阶段，为每个问题计算出句子级别的embedding向量，并存储到\`question\_vector\`字段中。在检索阶段，先计算出query的embedding向量，再基于以下的检索语句：

{
      "script_score": {
        "query": {"match_all": {}},
        "script": {
          "source": "cosineSimilarity(params.query_vector, 'question_vector') + 1.0",
          "params": {"query_vector": query_vector}
        }
      }
    }

具体可以参考ES的官网blog：

[https://www.elastic.co/cn/blog/text-similarity-search-with-vectors-in-elasticsearchwww.elastic.co/cn/blog/text-similarity-search-with-vectors-in-elasticsearch][https_www.elastic.co_cn_blog_text-similarity-search-with-vectors-in-elasticsearchwww.elastic.co_cn_blog_text-similarity-search-with-vectors-in-elasticsearch]

### **双路召回** ###

最终的召回框架如下图所示，是 “字面召回 + 语义召回” 的双路召回结构。在收到query的请求后会同步发起两路召回，最后进行结果的合并。

![0e2ba83b5e6036f04effb59915b44bae.png][]

其中Embedding Server是一个基于Tensorflow-Serving的独立服务。

全部的服务（Flask，ES，TF-Serving）均部署在CPU的k8s集群上，在知识库问题数量<10000的场景下，整个召回阶段的**响应时间<50ms**，满足线上的实际需要。 同时top@50的召回率也能**接近100%**。

### 参考 ###

1.  [^][Link 1][Similarity module | Elasticsearch Guide \[7.16\] | Elastic][Similarity module _ Elasticsearch Guide _7.16_ _ Elastic]
2.  [^][Link 2][https://arxiv.org/abs/2006.11632][https_arxiv.org_abs_2006.11632]

[FAQ_ Elasticsearch]: https://zhuanlan.zhihu.com/p/347957917
[1]: https://zhuanlan.zhihu.com/p/349993294#ref_1
[format_png]: https://img-blog.csdnimg.cn/img_convert/a4c5f33f76704f89a386a2d341494b48.webp?x-oss-process=image/format,png
[2]: https://zhuanlan.zhihu.com/p/349993294#ref_2
[format_png 1]: https://img-blog.csdnimg.cn/img_convert/f9497c27b4ce60e8e086072279b9cb8d.webp?x-oss-process=image/format,png
[format_png 2]: https://img-blog.csdnimg.cn/img_convert/fe57f5f0b4827b54aa86cf13792927ee.webp?x-oss-process=image/format,png
[format_png 3]: https://img-blog.csdnimg.cn/img_convert/ae7073532fa25345843ee34361ede310.webp?x-oss-process=image/format,png
[https_www.elastic.co_cn_blog_text-similarity-search-with-vectors-in-elasticsearchwww.elastic.co_cn_blog_text-similarity-search-with-vectors-in-elasticsearch]: https://link.zhihu.com/?target=https%3A//www.elastic.co/cn/blog/text-similarity-search-with-vectors-in-elasticsearch
[0e2ba83b5e6036f04effb59915b44bae.png]: https://img-blog.csdnimg.cn/img_convert/0e2ba83b5e6036f04effb59915b44bae.png
[Link 1]: https://zhuanlan.zhihu.com/p/349993294#ref_1_0
[Similarity module _ Elasticsearch Guide _7.16_ _ Elastic]: https://www.elastic.co/guide/en/elasticsearch/reference/7.x/index-modules-similarity.html
[Link 2]: https://zhuanlan.zhihu.com/p/349993294#ref_2_0
[https_arxiv.org_abs_2006.11632]: https://arxiv.org/abs/2006.11632