02-相似性检索的关键 - Embedding

1 文本Embedding

将整个文本转化为实数向量的技术。

Embedding优点是可将离散的词语或句子转化为连续的向量，就可用数学方法来处理词语或句子，捕捉到文本的语义信息，文本和文本的关系信息。

◉ 优质的Embedding通常会让语义相似的文本在空间中彼此接近

◉ 优质的Embedding相似的语义关系可以通过向量的算术运算来表示：

2 文本Embedding模型的演进与选型

目前的向量模型从单纯的基于 NLI 数据集（对称数据集）发展到基于混合数据（对称+非对称）进行训练，即可以做 QQ召回任务也能够做 QD 召回任务，通过添加 Instruction 来区分这两类任务，只有在进行 QD 召回的时候，需要对用户 query 添加上 Instruction 前缀。

3 VDB通用Embedding模型

模型选择：

GPU资源：

4 VDB垂类Embedding模型

用户提供垂类文档数据，VDB对模型进行微调，助力垂类应用效果更进一步。

优化1：对比学习拉近同义文本的距离，推远不同文本的距离

优化2：短文本匹配和长文本匹配使用不同prompt，提升非对称类文本效果

优化3：预训练阶段提升基座模型面向检索的能力，对比学习阶段提高负样本数

5 存储、检索向量数据

5.1 为啥需要一个专用的向量数据库

1. 查询方式与传统数据库存在区别
2. 简单易用，无需关心细节
3. 为相似性检索设计，天生性能优势

5.2 腾讯云向量数据库的优势

“首家”：

• 通过信通院的标准化性能和规模测试
• 支持千亿级向量规模和最高500W QPS

自研：

• 内核源自集团自研OLAMA引擎
• 内部已有**40+**业务接入

性价比：

• 性能领先业内平均水平1.5倍
• 同时客户成本降低20%

6 VDB优势

流程简化

模型简化：

共享GPU集群：