Reranking za pomocą modeli embeddingów

Kod Pythona do ponownego rangowania RAG'a

Page content

Reranking to drugi etap generacji wzbogacanej wyszukiwaniem (RAG) systemów, pośrodku między wyszukiwaniem a generowaniem.

Elektryczne sześciany w przestrzeni cyfrowej

To powyżej to sposób, w jaki Flux-1 dev wyobraża sobie Elektryczne sześciany w przestrzeni cyfrowej.

Wyszukiwanie z ponownym rangowaniem

Jeśli przechowujemy dokumenty w formie osadnień od samego początku w bazie wektorowej – wyszukiwanie natychmiast zwróci nam listę podobnych dokumentów.

Samodzielne ponowne rangowanie

Ale jeśli najpierw pobieramy dokumenty z Internetu, odpowiedź systemu wyszukiwania może być wpływowana przez preferencje/algorytmy dostawcy wyszukiwania, treści sponsowane, optymalizację SEO itp., więc potrzebujemy ponownego rangowania po wyszukiwaniu.

To, czym się zajmowałem:

  • pobieranie osadnień dla zapytania wyszukiwania
  • pobieranie osadnień dla każdego dokumentu. dokument nie miał być większy niż 8k tokenów
  • obliczanie podobieństwa między zapytaniem a osadnieniami każdego dokumentu
  • sortowanie dokumentów według tego podobieństwa.

Nie ma tu bazy wektorowej, idziemy dalej.

Przykładowy kod

Używając Langchain do połączenia z Ollama i funkcji cosine_similarity z Langchain. Możesz filtrować według miary podobieństwa, ale pamiętaj, że dla różnych dziedzin i modeli językowych z osadnieniem próg będzie inny.

Bardzo bym się cieszył, jeśli ten fragment kodu będzie dla Ciebie w jakikolwiek sposób przydatny. Licencja: Copy/Paste/UseAnyWayYouWant. Dzięki.

from langchain_core.documents import Document
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.utils.math import cosine_similarity
import numpy as np


def cosine_distance(a: np.ndarray, b: np.ndarray) -> np.ndarray:
    return 1.0 - cosine_similarity(a, b)

def compute_score(vectors: np.ndarray) -> float:
    score = cosine_distance(vectors[0].reshape(1, -1), vectors[1].reshape(1, -1)).item()
    return score

def list_to_array(lst):
    return np.array(lst, dtype=float)   

def compute_scorel(lists) -> float:
    v1 = list_to_array(lists[0])
    v2 = list_to_array(lists[1])
    return compute_score([v1, v2])

def filter_docs(emb_model_name, docs, query, num_docs):
    content_arr = [doc.page_content for doc in docs]

    ollama_emb = OllamaEmbeddings(
        model=emb_model_name
    )

    docs_embs = ollama_emb.embed_documents(content_arr)
    query_embs = ollama_emb.embed_query(query)
    sims = []
    for i, emb in enumerate(docs_embs):
        idx = docs[i].id
        s = compute_scorel([query_embs, docs_embs[i]])
        simstr = str(round(s, 4))
        docs[i].metadata["sim"] = simstr
        sim = {
            "idx": idx,
            "i": i,
            "sim": s,
        }
        sims.append(sim)

    sims.sort(key=sortFn)

    sorted_docs = [docs[x["i"]] for x in sims]
    filtered_docs = sorted_docs[:num_docs]
    return filtered_docs

Najlepsze modele osadnień

Dla moich zadań obecnie najlepszy modelem osadnień jest bge-large:335m-en-v1.5-fp16

Na drugim miejscu znalazł się nomic-embed-text:137m-v1.5-fp16 oraz jina/jina-embeddings-v2-base-en:latest.

Ale przeprowadź własne testy dla swojej dziedziny i zapytań.

Przydatne linki