RAG 2 - 选择最佳embedding和重排序模型_rag2.0

---

转载自：LLM之RAG实战（六）| 高级RAG 02：选择最佳embedding和重排序模型
https://mp.weixin.qq.com/s/ARPpNdiaE58UFeLwwADuPg

---

在构建检索增强生成（RAG）Pipeline时，一个关键组件是Retriever。
我们有多种embedding模型可供选择，包括OpenAI、CohereAI和开源sentence transformers。
此外，CohereAI和sentence transformers还提供了几个重排序器。

但是，有了所有这些选项，我们如何确定最佳组合以获得一流的检索性能？
我们如何知道哪种embedding模型最适合我们的数据？或者哪种重新排序对我们的结果提升最大？

在这篇博客文章中，我们将使用LlamaIndex的Retrieval Evaluation模块来快速确定embedding和重排序模型的最佳组合。让我们一起来了解一下吧！

让我们首先了解Retrieval Evaluation中可用的评估指标！

---

一、理解Retrieval Evaluation中的评估指标：

为了衡量我们的检索系统的有效性，我们选择被广泛接受的两个指标：Hit Rate和 Mean Reciprocal Rank (MRR)。
让我们深入研究这些指标，以了解它们的重要性以及它们是如何运作的。

---

命中率（Hit Rate）：

命中率计算在前k个检索到的文档中找到正确答案的查询的百分比。
简单地说，这是关于我们的系统在前几次猜测中正确的频率。

---

平均倒数排名（MRR）：

对于每个查询，MRR通过查看排名最高的相关文档的排名来评估系统的准确性。
具体来说，它是所有查询中这些排名的倒数的平均值。
因此，如果第一个相关文档是最高结果，则倒数为1；如果是第二个，则倒数为1/2，依此类推。

既然我们已经确定了评估指标，现在是时候开始实验了。

---

二、设置环境

pip install llama-index sentence-transformers cohere anthropic voyageai protobuf pypdf
1

---

三、设置Key

openai_api_key = 'YOUR OPENAI API KEY'
cohere_api_key = 'YOUR COHEREAI API KEY'
anthropic_api_key = 'YOUR ANTHROPIC API KEY'
openai.api_key = openai_api_key
1
2
3
4

---

四、下载数据

wget --user-agent "Mozilla" "https://arxiv.org/pdf/2307.09288.pdf" -O "llama2.pdf"
1

---

五、加载数据

让我们加载数据。我们前36页来进行实验，不包括目录、参考文献和附录。

然后将这些数据转换为节点进行解析，这些节点表示我们想要检索的数据块。
我们设置chunk_size为512。

documents = SimpleDirectoryReader(input_files=["llama2.pdf"]).load_data()

node_parser = SimpleNodeParser.from_defaults(chunk_size=512)
nodes = node_parser.get_nodes_from_documents(documents)
1
2
3
4

---

六、生成问题上下文对

为了评估，我们创建了一个问题上下文对数据集，该数据集包括一系列问题及其相应的上下文。
为了消除embedding（OpenAI/CohereAI）和重排序（CohereAI）评估的偏差，我们使用Anthropic LLM生成问题上下文对。

让我们初始化一个Prompt模板来生成问题上下文对。

# Prompt to generate questions
qa_generate_prompt_tmpl = """\
Context information is below.

---------------------
{context_str}
---------------------

Given the context information and not prior knowledge.
generate only questions based on the below query.

You are a Professor. Your task is to setup \
{num_questions_per_chunk} questions for an upcoming \
quiz/examination. The questions should be diverse in nature \
across the document. The questions should not contain options, not start with Q1/ Q2. \
Restrict the questions to the context information provided.\
"""
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

---

llm = Anthropic(api_key=anthropic_api_key)
qa_dataset = generate_question_context_pairs(
 nodes, llm=llm, num_questions_per_chunk=2
)
1
2
3
4

---

过滤句子的函数，例如——以下是基于所提供上下文的两个问题

# function to clean the dataset
def filter_qa_dataset(qa_dataset):
 """
 Filters out queries from the qa_dataset that contain certain phrases and the corresponding
 entries in the relevant_docs, and creates a new EmbeddingQAFinetuneDataset object with
 the filtered data.

 :param qa_dataset: An object that has 'queries', 'corpus', and 'relevant_docs' attributes.
 :return: An EmbeddingQAFinetuneDataset object with the filtered queries, corpus and relevant_docs.
 """

 # Extract keys from queries and relevant_docs that need to be removed
 queries_relevant_docs_keys_to_remove = {
  k for k, v in qa_dataset.queries.items()
  if 'Here are 2' in v or 'Here are two' in v
 }

 # Filter queries and relevant_docs using dictionary comprehensions
 filtered_queries = {
  k: v for k, v in qa_dataset.queries.items()
  if k not in queries_relevant_docs_keys_to_remove
 }
 filtered_relevant_docs = {
  k: v for k, v in qa_dataset.relevant_docs.items()
  if k not in queries_relevant_docs_keys_to_remove
 }

 # Create a new instance of EmbeddingQAFinetuneDataset with the filtered data
 return EmbeddingQAFinetuneDataset(
  queries=filtered_queries,
  corpus=qa_dataset.corpus,
  relevant_docs=filtered_relevant_docs
 )

# filter out pairs with phrases `Here are 2 questions based on provided context`
qa_dataset = filter_qa_dataset(qa_dataset)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

---

七、自定义检索器

为了寻找最优检索器，我们采用embedding模型和重排序器的组合。

最初，我们建立了一个基本的VectorIndexRetriever。在检索节点后，我们引入一个重排序器来进一步细化结果。

值得注意的是，对于这个特定的实验，我们将similarity_top_k设置为10，并用reranker选择了前5名。

但是，您可以根据具体实验的需要随意调整此参数。

我们在这里展示了OpenAIEmbedding的代码，其他embedding代码请参阅笔记本（https://colab.research.google.com/drive/1TxDVA__uimVPOJiMEQgP5fwHiqgKqm4-?usp=sharing）。

embed_model = OpenAIEmbedding()
service_context = ServiceContext.from_defaults(llm=None, embed_model = embed_model)
vector_index = VectorStoreIndex(nodes, service_context=service_context)
vector_retriever = VectorIndexRetriever(index=vector_index, similarity_top_k = 10)
1
2
3
4

---

class CustomRetriever(BaseRetriever):
 """Custom retriever that performs both Vector search and Knowledge Graph search"""

 def __init__(
  self,
  vector_retriever: VectorIndexRetriever,
 ) -> None:
  """Init params."""

  self._vector_retriever = vector_retriever

 def _retrieve(self, query_bundle: QueryBundle) -> List[NodeWithScore]:
  """Retrieve nodes given query."""

 retrieved_nodes = self._vector_retriever.retrieve(query_bundle)

 if reranker != 'None':
retrieved_nodes = reranker.postprocess_nodes(retrieved_nodes, query_bundle)
 else:
 retrieved_nodes = retrieved_nodes[:5]

 return retrieved_nodes

 async def _aretrieve(self, query_bundle: QueryBundle) -> List[NodeWithScore]:
  """Asynchronously retrieve nodes given query.

  Implemented by the user.

  """
  return self._retrieve(query_bundle)

 async def aretrieve(self, str_or_query_bundle: QueryType) -> List[NodeWithScore]:
  if isinstance(str_or_query_bundle, str):
str_or_query_bundle = QueryBundle(str_or_query_bundle)
  return await self._aretrieve(str_or_query_bundle)

custom_retriever = CustomRetriever(vector_retriever)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

---

八、评估

为了评估我们的检索器，我们计算了平均倒数排名（MRR）和命中率指标：

retriever_evaluator = RetrieverEvaluator.from_metric_names(
 ["mrr", "hit_rate"], retriever=custom_retriever
)
eval_results = await retriever_evaluator.aevaluate_dataset(qa_dataset)
1
2
3
4

---

九、结果

我们对各种嵌入模型和重新排序进行了测试。以下是我们考虑的模型：

• embedding模型：
• OpenAI Embedding
• Voyage Embedding
• CohereAI Embedding (v2.0/ v3.0)
• Jina Embeddings (small/ base)
• BAAI/bge-large-en
• Google PaLM Embedding

---

重排序模型：

• CohereAI
• bge-reranker-base
• bge-reranker-large

---

下表显示了基于命中率和平均倒数排名（MRR）指标的评估结果：

---

十、分析

embedding性能

• OpenAI：展示顶级性能，尤其是CohereRerank（0.926966命中率，0.86573 MRR）和bge-reranker-large（0.910112命中率，0.8 55805 MRR），表明与重排序工具有很强的兼容性。
• bge-large：使用重排序时效果显著改进，CohereRerank的结果最好（0.876404命中率，0.822753 MRR）。
• llm-embedder：从重排序中受益匪浅，特别是使用CohereRebank（0.882022命中率，0.830243 MRR），性能提升显著。
• Cohere：Cohere最新的v3.0 embedding模型优于v2.0，并且通过集成原生CohereRebank，显著提高了其指标，有0.88764的命中率和0.836049的MRR。
• Voyage：具有强大的初始性能，CohereRerank进一步放大了这一性能（0.91573命中率，0.851217 MRR），表明对重排列的响应性很高。
• JinaAI：表现非常强劲，bge-reranker-large（0.938202命中率，0.868539 MRR）和CohereRerank（0.932584命中率，0.8 73689）涨幅显著，表明重新评级显著提升了其表现。
• Google-PaLM：该模型表现出强大的性能，在使用CohereRebank时有可测量的增益（0.910112命中率，0.855712 MRR）。这表明，重排序明显提升了其整体性能。

---

重排序的影响

• WithoutReranker：这为每个embedding提供了baseline性能。
• bge-reranker-base：通常可以提高embedding的命中率和MRR。
• bge-reranker-large：这个reranker经常为embedding提供最高或接近最高的MRR。对于几种embedding，其性能可以与CohereRebank相媲美或超越。
• CohereRerank：持续提高所有embedding的性能，通常提供最佳或接近最佳的结果。

---

重排序的必要性：

• 上述实验表明了重排序在细化搜索结果方面的重要性。几乎所有embedding都受益于重新排序，其可以提高命中率和MRR。
• Reranker，尤其是CohereRerank，已经证明了他们可以提高任何embedding能力。

---

总体优势

• 当同时考虑命中率和MRR时，OpenAI+CohereRebank和JinaAI Base+bge-reranker-large/CohereRebank的组合成为顶级竞争者。
• 然而，CohereRerank/bge-reranker在各种embedding中都可以一致性改进增强搜索的质量，适用于何种embedding。

总之，为了在命中率和MRR方面实现峰值性能，OpenAI或JinaAI Base嵌入与CohereRerank/bge重ranker大型重ranker的组合脱颖而出。

---

十一、结论

在这篇博客文章中，我们展示了如何使用各种embedding和重排序来评估和增强检索器的性能。以下是我们的最终结论。

• Embeddings：OpenAI和JinaAI-Base embedding，尤其是与CohereRerank****/bge-reranker-large reranker配对时，为命中率和MRR设定了黄金标准。
• Rerankers：重新排序的影响，特别是CohereRerank****/bge-reranker-large 重新排序，怎么强调都不为过。它们在改善许多embedding的MRR方面发挥着关键作用，表明了它们在改善搜索结果方面的重要性。
• Foundation is Key：为初始搜索选择正确的embedding至关重要；如果基本搜索结果不好，即使是最好的重新排序也无济于事。
• Working Together：为了让检索器发挥出最大的作用，找到embedding和重新排序的正确组合是很重要的。这项研究表明，仔细测试并找到最佳配对是多么重要。

---

参考文献

[1] https://blog.llamaindex.ai/boosting-rag-picking-the-best-embedding-reranker-models-42d079022e83

[2] https://colab.research.google.com/drive/1TxDVA__uimVPOJiMEQgP5fwHiqgKqm4-?usp=sharing