在人工智能的眾多應(yīng)用中，對于文檔的準(zhǔn)確召回是一個(gè)廣泛使用的需求。例如，在基于閱讀理解的問答系統(tǒng)（RAG）中，我們常常通過嵌入模型生成向量來進(jìn)行語義方面的召回，這種方法已經(jīng)證明了其效果良好。然而，這并不意味著該方法適用于所有場景。

讓我們考慮一個(gè)涉及語音處理的項(xiàng)目，用戶可能會說出需要查詢的內(nèi)容，系統(tǒng)需要迅速召回與用戶語音輸入相關(guān)的文檔。在這種情況下，系統(tǒng)的響應(yīng)時(shí)間變得至關(guān)重要，任何延遲都可能影響用戶體驗(yàn)。對于這類需求，詞袋模型可能成為一種更有利的選擇，因?yàn)樗鼰o需處理復(fù)雜的語義關(guān)系，從而可以提供更快速的響應(yīng)。所以，選擇何種模型取決于具體的應(yīng)用情景和性能要求。

什么是詞袋模型

詞袋模型是一種文本處理方法，先通過構(gòu)建一個(gè)有序詞表（字典），包含訓(xùn)練樣本中所有的不重復(fù)詞匯。然后，根據(jù)此詞表遍歷每個(gè)樣本，如果某詞在樣本中出現(xiàn)則出現(xiàn)次數(shù)加1，否則次數(shù)設(shè)置為0。這樣，每個(gè)樣本都可以向量化成一個(gè)長度等于詞表長度的向量。這么說可能有一點(diǎn)抽象，讓我們來看一個(gè)例子，比如有兩個(gè)文本：

• s1："John likes to watch movies, Mary likes movies too"
• s2："John also likes to watch football games"

首先，構(gòu)建詞匯表 ，這兩個(gè)句子形成的詞表（不去停用詞）為：

[‘a(chǎn)lso’, ‘football’, ‘games’, ‘john’, ‘likes’, ‘mary’, ‘movies’, ‘to’, ‘too’, ‘watch’]

然后，對于每個(gè)文本，統(tǒng)計(jì)詞匯表中每個(gè)單詞的出現(xiàn)次數(shù)或者頻率：

BOW詞向量

詞袋模型處理流程

詞袋模型的處理流程可以總結(jié)為以下3步：

1. 首先進(jìn)行文本分詞
2. 然后創(chuàng)建一個(gè)包含所有獨(dú)特詞匯的詞表，保證每個(gè)詞語僅出現(xiàn)一次，并固定其位置
3. 最后，將每個(gè)樣本向量化，即遍歷每個(gè)樣本，統(tǒng)計(jì)詞匯表中每個(gè)單詞的出現(xiàn)次數(shù)

可以看出在經(jīng)過向量化后，每個(gè)樣本的特征維度長度等于詞表長度。這種方法能覆蓋所有樣本中的詞匯，但可能導(dǎo)致維度災(zāi)難，因?yàn)橐粋€(gè)通常大小的中文數(shù)據(jù)集可能包含數(shù)萬個(gè)詞匯，意味著向量的維度也相應(yīng)大。因此，在分詞后，我們通常統(tǒng)計(jì)每個(gè)詞在數(shù)據(jù)集中的出現(xiàn)次數(shù)，并僅選擇出現(xiàn)頻率最高的前K個(gè)詞作為最終詞表。最后，會移除無意義的停用詞，如“的”，“啊”，“了”等。

代碼實(shí)現(xiàn)

手動擼代碼

文本分詞

向量化的第一步是分詞。我們將介紹一個(gè)常用的開源分詞工具，jieba。在使用jieba之前，需要先進(jìn)行安裝，可以進(jìn)入相應(yīng)的虛擬環(huán)境并使用命令??pip install jieba??完成安裝。

import jieba, re
cut_all = False


def cutWords(s, cut_all=False):
    cut_words = []
    # 將所有字母、數(shù)字、冒號、逗號、句號等過濾掉
    s = re.sub("[A-Za-z0-9\：\·\—\，\。\“ \”]", "", s)
    seg_list = jieba.cut(s, cut_all=cut_all)
    cut_words.append("/".join(seg_list))

cut_all 參數(shù)可以指定分詞模式，當(dāng)??cut_all = False???時(shí)，表示普通分詞模式，設(shè)置為??True??后，便可以開啟全分詞模式。

構(gòu)建詞表

分詞后通常還會進(jìn)行詞頻統(tǒng)計(jì)，以便選取出現(xiàn)頻率最高的前K個(gè)詞來構(gòu)造詞表。對詞頻進(jìn)行統(tǒng)計(jì)需要使用另外一個(gè)包c(diǎn)ollection中的??Counter??計(jì)數(shù)器。

import re
from collections import Counter
import jieba


def wordsCount(s):
    # 初始化空字符串用于存儲分詞結(jié)果
    cut_words = ""
    
    # 使用正則表達(dá)式移除非中文字符
    s = re.sub("[A-Za-z0-9\：\·\—\，\。\“ \”]", "", s)
    
    # 使用jieba進(jìn)行分詞，并連接結(jié)果
    seg_list = jieba.cut(s, cut_all=False)
    cut_words += (" ".join(seg_list))
    
    # 將分詞結(jié)果分割成列表
    all_words = cut_words.split()
    
    # 初始化計(jì)數(shù)器
    c = Counter()
    
    # 遍歷所有單詞，長度大于1且不是換行符則進(jìn)行計(jì)數(shù)
    for x in all_words:
        if len(x) > 1 and x != '\r\n':
            c[x] += 1
    
    # 創(chuàng)建一個(gè)詞匯列表
    vocab = []
    
    print('\n詞頻統(tǒng)計(jì)結(jié)果：')
    # 打印并收集出現(xiàn)頻率最高的前5個(gè)詞
    for (k, v) in c.most_common(5): 
        print("%s:%d" % (k, v))
        vocab.append(k)
    
    # 打印詞匯列表
    print("詞表：", vocab)

詞頻統(tǒng)計(jì)

def vectorization_with_freq(s):
    # 此處接文本分詞和詞頻統(tǒng)計(jì)代碼，需要生成詞表vocab和文本x_text
    
    # 初始化空列表用于存儲向量化結(jié)果
    x_vec = []
    
    # 遍歷文本中的每項(xiàng)
    for item in x_text:
        # 對詞表中的每個(gè)詞創(chuàng)建一個(gè)字典，初始化頻率為0
        tmp = dict(zip(vocab, [0] * len(vocab)))
        
        # 遍歷此項(xiàng)中的每個(gè)詞
        for w in item:
            # 如果詞在詞表中，則頻率加1
            if w in vocab:
                tmp[w] += 1
                
        # 將該項(xiàng)的向量添加到向量化結(jié)果列表
        x_vec.append(list(tmp.values()))
    
    # 打印詞表、文本和向量化結(jié)果
    print("詞表：", vocab)
    print("文本：", x_text)
    print(x_vec)

這段Python代碼定義了一個(gè)函數(shù)??vectorization_with_freq(s)???，它接受一個(gè)字符串??s??作為輸入，然后使用詞頻方法對其進(jìn)行向量化處理。

sklearn實(shí)現(xiàn)

在實(shí)踐中，我們可以直接使用sklearn庫，它已經(jīng)實(shí)現(xiàn)了上述功能，無需手動編寫復(fù)雜的代碼。

from sklearn.feature_extraction.text import CountVectorizer
corpus = [
    "John likes to watch movies, Mary likes movies too",
    "John also likes to watch football games",
]
bag_of_words = CountVectorizer(
            ngram_range=(1, 2), token_pattern="(?u)\\b\\w+\\b", binary=True
        ).fit(corpus)
vectors = bag_of_words.transform(corpus)
print(vectors)


"""
 (0, 5)	1
  (0, 7)	1
  (0, 8)	1
  (0, 9)	1
  (0, 10)	1
  (0, 11)	1
  (0, 12)	1
  (0, 13)	1
  (0, 14)	1
  (0, 15)	1
  (0, 16)	1
  (0, 17)	1
  (0, 18)	1
  (0, 19)	1
  (0, 21)	1
  (1, 0)	1
  (1, 1)	1
  (1, 2)	1
  (1, 3)	1
  (1, 4)	1
  (1, 5)	1
  (1, 6)	1
  (1, 8)	1
  (1, 10)	1
  (1, 16)	1
  (1, 17)	1
  (1, 19)	1
  (1, 20)	1
"""

??CountVectorizer??是scikit-learn庫中的一個(gè)類，用于將文本轉(zhuǎn)換為詞項(xiàng)頻率向量。下面解釋你提到的這些參數(shù)。

1. ngram_range: 它定義了從文本中提取的 n-gram 的大小范圍。N-gram 是 n 個(gè)連續(xù)的單詞。例如，對于句子"我愛北京"，當(dāng) ngram_range=(1,2)，則會提取出 unigrams（單詞）和 bigrams（兩個(gè)連續(xù)的單詞）。即，"我"，"愛"，"北京"，"我愛"，"愛北京"。
2. token_pattern: 這是一個(gè)正則表達(dá)式，它定義了什么構(gòu)成一個(gè)“單詞”。"(?u)\b\w+\b"表示一個(gè)或多個(gè)unicode字符或數(shù)字并以邊界分隔。例如，對于句子"I love Beijing"，tokens 是["I", "love", "Beijing"]。
3. binary: 如果設(shè)置為 True，所有非零計(jì)數(shù)都設(shè)為 1。這意味著輸出的結(jié)果只表示單詞是否在文檔中出現(xiàn)（被設(shè)為1），而不是單詞出現(xiàn)的次數(shù)。例如，對于句子"I love love Beijing"，如果 binary=True，那么每個(gè)單詞無論出現(xiàn)一次或多次，結(jié)果都記作出現(xiàn)過，"love": 1，而不是"love": 2。

fit

??CountVectorizer.fit()??是scikit-learn庫中的一個(gè)方法，用于學(xué)習(xí)輸入文本集合（通常是一組文檔）中所有單詞的詞匯表。這個(gè)過程也被稱為“擬合”數(shù)據(jù)。

例如，如果我們有三個(gè)文檔：["The sky is blue", "The sun is bright", "The sun in the sky is bright"]，??fit()??函數(shù)會生成一個(gè)詞匯表，包含所有不重復(fù)的單詞：['The', 'sky', 'is', 'blue', 'sun', 'bright', 'in']。

這個(gè)詞匯表隨后可以??于將新的（或相同的）文檔轉(zhuǎn)換成向量，其中每個(gè)元素表示相應(yīng)單詞在文檔中出現(xiàn)的頻次。這是通過??transform()???函數(shù)實(shí)現(xiàn)的，也經(jīng)常和??fit()???方法一起使用，如??fit_transform()??。

輸出

??CountVectorizer???的輸出是一個(gè)稀疏矩陣，其中每一行表示corpus中的一個(gè)文檔，每一列對應(yīng)于??CountVectorizer??擬合后得到的詞匯表中的一個(gè)單詞。在你的例子中，你有兩個(gè)文檔，所以你有兩行。

每個(gè)元組 ??(i, j)??? 的值代表了詞匯表中第 ??j??? 個(gè)單詞在第 ??i??? 個(gè)文檔中出現(xiàn)的頻率。因?yàn)槟阍O(shè)置 ??binary=True??, 所以這個(gè)頻率只能是0或1，表示該單詞在相應(yīng)的文檔中是否出現(xiàn)。

例如，在你給出的輸出中，??(0, 5) 1?? 表示詞匯表中的第5個(gè)單詞在第一個(gè)文檔（"John likes to watch movies, Mary likes movies too"）中出現(xiàn)了（至少一次）。

類似地，??(1, 0) 1?? 表示詞匯表中的第0個(gè)單詞在第二個(gè)文檔（"John also likes to watch football games"）中出現(xiàn)了。

注意，此處的索引是從0開始的，而且可能看不到某些索引，這是因?yàn)閷?yīng)的詞在相應(yīng)的文檔中沒有出現(xiàn)，頻率為零，而這種信息在稀疏矩陣中通常會被省略，以節(jié)省存儲空間。

應(yīng)用

在基于回答生成的閱讀理解系統(tǒng)（RAG）中，文檔召回是核心的一步。這個(gè)過程主要依賴于檢索和標(biāo)定與用戶查詢相關(guān)性最高的文檔。傳統(tǒng)的RAG應(yīng)用主要通過語義和關(guān)鍵字匹配來執(zhí)行此操作，這通常需要使用embedding模型。具體來說，我們會將文本輸入到模型中，得到每個(gè)文檔或查詢的嵌入向量表示，然后計(jì)算它們之間的相似度。

除了上述方法外，我們還可以使用基于詞袋模型的召回策略。詞袋模型將文檔轉(zhuǎn)換為一個(gè)向量，其中每個(gè)元素對應(yīng)于特定單詞或短語在文檔中出現(xiàn)的頻率。通過比較這些向量，我們可以確定文檔之間的相似度。例如，我們可以通過計(jì)算余弦相似度來衡量兩個(gè)向量的相似程度，這種方法允許我們找到與給定查詢最相關(guān)的前K個(gè)文檔。

import numpy as np
from nltk.stem import PorterStemmer
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import check_pairwise_arrays, normalize, safe_sparse_dot




stemmer = PorterStemmer()




class Vectorizer:
    @staticmethod
    def stem(text):
        # 詞干化
        words = text.split()
        stemmed_words = [stemmer.stem(word) for word in words]
        sentence = " ".join(stemmed_words)
        sentence = sentence
        return sentence


    def __init__(self, corpus):
        self.bag_of_words = CountVectorizer(
            ngram_range=(1, 2), token_pattern="(?u)\\b\\w+\\b", binary=True
        ).fit(corpus)
        self.vectors = self.bag_of_words.transform(corpus)
        self.corpus = corpus


    @staticmethod
    def cosine_similarity(X, Y=None, dense_output=True):
        X, Y = check_pairwise_arrays(X, Y)
        X_normalized = normalize(X, copy=True)
        if X is Y:
            Y_normalized = X_normalized
        else:
            Y_normalized = normalize(Y, copy=True)
        return safe_sparse_dot(
            X_normalized,
            Y_normalized.T,
            dense_output=dense_output)


    def get_relevent_docs(self, query, top_k=3, theshold=0):
        stem_query = self.stem(query)
        query_vectors = self.bag_of_words.transform([stem_query])
        cos_sim = self.cosine_similarity(self.vectors, query_vectors)
        indices = np.argpartition(cos_sim[:, 0], -top_k)[-top_k:]
        result = []
        for i in range(len(indices) - 1, -1, -1):
            idx = indices[i]
            score = cos_sim[idx, 0]
            if score > theshold:
                result.append([score, idx])
        result.sort(key=lambda x: x[0], reverse=True)  # 相似度降序排序后返回


        return result

兩種召回方案對比

基于語義+關(guān)鍵字模型的召回

此模型結(jié)合了關(guān)鍵字搜索和語義搜索。通常，該模型使用詞嵌入（如Word2Vec，GloVe，BERT等）來表示文檔和查詢。

• 優(yōu)點(diǎn)

1. 深度語義理解：例如，如果你正在搜索“蘋果新產(chǎn)品發(fā)布”，這種模型可以識別出包含“iPhone最新版本上市”這樣非直接關(guān)鍵詞，但在語義上相關(guān)的文檔，因?yàn)?蘋果新產(chǎn)品發(fā)布"和"iPhone最新版本上市"具有相似的語義。
2. 處理同義詞和多義詞：例如，“智能手機(jī)”、“移動電話”和“手提電話”可能在不同的文檔中表示同一概念。同樣，單詞“蘋果”可以是一種水果或是科技公司名。基于語義+關(guān)鍵字模型能夠理解這些差異。

• 缺點(diǎn)

1. 訓(xùn)練資源需求大：需要大量數(shù)據(jù)，并且計(jì)算成本高昂，特別是對于深度學(xué)習(xí)模型，如BERT或GPT。
2. 計(jì)算復(fù)雜性高：語義搜索需要計(jì)算與每個(gè)可用文檔的相似性，這可能在大型數(shù)據(jù)庫中導(dǎo)致延時(shí)。

基于詞袋模型的召回

基于詞袋模型的搜索是一種常見的關(guān)鍵字搜索方法，其中文檔和查詢被表示為單詞的集合或多集，忽略了任何語義和語法結(jié)構(gòu)。

• 優(yōu)點(diǎn)

1. 實(shí)現(xiàn)簡單：例如，如果你在搜索“蘋果新產(chǎn)品發(fā)布”，基于詞袋模型的搜索引擎將很容易找到包含這些確切短語的文檔。
2. 計(jì)算效率高：只需檢查每個(gè)文檔是否包含查詢中的單詞，對于大規(guī)模數(shù)據(jù)也能妥善處理。

• 缺點(diǎn)

1. 不能理解語義：例如，“蘋果新產(chǎn)品發(fā)布”和“iPhone最新版本上市”在詞袋模型下可能被認(rèn)為是不相關(guān)的，因?yàn)樗麄儧]有公共的單詞，盡管他們在語義上密切相關(guān)。
2. 無法處理同義詞和多義詞：比如“智能手機(jī)”和“移動電話”在詞袋模型看來是兩個(gè)完全不同的概念。同時(shí)"蘋果"這個(gè)詞的多重含義也無法區(qū)分。

選擇哪種模型取決于具體情況。如果查詢主要基于精確的關(guān)鍵字匹配，詞袋模型可能更適合；而如果語義理解更重要，則應(yīng)該考慮使用基于語義+關(guān)鍵字的模型。在實(shí)踐中，這兩種方法往往結(jié)合在一起使用，例如，先使用詞袋模型進(jìn)行粗略搜索，然后使用基于語義+關(guān)鍵字模型進(jìn)行精確搜索。

?

本文轉(zhuǎn)載自公眾號AI 博物院 作者：longyunfeigu

原文鏈接：??https://mp.weixin.qq.com/s/kiZ9pcJ7xac4sesoJkiSYA??