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
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
四、下载数据
!wget --user-agent "Mozilla" "https://arxiv.org/pdf/2307.09288.pdf" -O "llama2.pdf"
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)
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.\
"""
llm = Anthropic(api_key=anthropic_api_key)
qa_dataset = generate_question_context_pairs(
nodes, llm=llm, num_questions_per_chunk=2
)
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)
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)
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)
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)
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：
10、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。**
11、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