RAG应用开发实战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*
◉ 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*拉*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*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
- 查询方式与传统数据库存在区别
- 简单易用，无需关心细节
- 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：
7 腾讯云向量数据库：消除大模型幻觉，加速大模型在企业落地
7.1 端到端AI套件，AGI时代的知识库解决方案
提供一站式知识检索方案，实现业界内最高召回率、大幅降低开发门槛，帮助企业快速搭建RAG应用，解决大模型幻觉问题。
7.2 源自集团多年积累，产品能力行业领先
源自腾讯自研向量检索引擎OLAMA，集团内部40+业务线上使用，日均处理1600亿次检索请求。
- 『首家』通过中国信通院向量数据库标准测试
- 单索引支持最高千亿级超大数据规模
- 单实例最高可达500万 QPS
本文由博客一文多发平台 OpenWrite 发布！
