FlagEmbedding项目BGE-M3多模态嵌入模型详解

【免费下载链接】FlagEmbedding Dense Retrieval and Retrieval-augmented LLMs 项目地址: https://gitcode.com/GitHub_Trending/fl/FlagEmbedding

概述

FlagEmbedding项目中的BGE-M3是一个功能强大的多模态嵌入模型，它支持三种不同的检索方式：稠密检索（Dense Retrieval）、稀疏检索（Lexical Matching）和多向量交互（Multi-Vector Interaction）。这种多功能的特性使其在各种信息检索场景中都能表现出色。

环境准备

在开始使用BGE-M3之前，需要安装必要的Python包：

pip install -U transformers FlagEmbedding accelerate

这些包包括：

• transformers：Hugging Face提供的Transformer模型库
• FlagEmbedding：包含BGE-M3模型的专用库
• accelerate：用于加速模型推理

模型架构

BGE-M3的基础模型是XLM-RoBERTa-large，这是一个多语言版本的RoBERTa模型。它包含以下主要组件：

1. 词嵌入层：将输入token映射为1024维向量
2. 24层Transformer编码器：每层包含自注意力机制和前馈网络
3. 池化层：用于生成句子级别的表示

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("BAAI/bge-m3")
raw_model = AutoModel.from_pretrained("BAAI/bge-m3")

多功能检索方式

1. 稠密检索

稠密检索使用[CLS]token的归一化隐藏状态作为整个句子的嵌入表示：

from FlagEmbedding import BGEM3FlagModel

model = BGEM3FlagModel('BAAI/bge-m3', use_fp16=True)
embeddings = model.encode(sentences, max_length=100)['dense_vecs']

计算相似度时，可以使用内积或其他相似度函数：

similarity = embeddings_1 @ embeddings_2.T

2. 稀疏检索

稀疏检索通过线性层和ReLU激活函数生成token级别的权重：

output = model.encode(sentences, return_sparse=True)
lexical_weights = output['lexical_weights']

相似度计算基于共现term的权重乘积：

score = model.compute_lexical_matching_score(weights1, weights2)

3. 多向量交互

多向量方法利用整个输出嵌入进行细粒度匹配：

output = model.encode(sentences, return_colbert_vecs=True)
colbert_vecs = output['colbert_vecs']

相似度计算采用ColBERT的"late-interaction"方法：

score = model.colbert_score(vecs1, vecs2)

混合排序策略

BGE-M3的强大之处在于可以结合三种检索方式的优势：

1. 先用稠密或稀疏方法进行初步检索
2. 然后对候选结果使用混合分数重新排序

混合分数计算公式：

final_score = (dense_score + lexical_score + colbert_score) / 3

实际应用建议

1. 长文本处理：可以通过设置max_length参数控制输入长度以提升效率
2. 精度与效率权衡：
   • 稠密检索：平衡效率与精度
   • 稀疏检索：适合term匹配重要场景
   • 多向量：精度最高但计算成本高
3. 混合使用：初步检索+重排序是最佳实践

BGE-M3的多功能性使其成为信息检索领域的强大工具，开发者可以根据具体场景灵活选择最适合的检索方式或组合策略。

【免费下载链接】FlagEmbedding Dense Retrieval and Retrieval-augmented LLMs 项目地址: https://gitcode.com/GitHub_Trending/fl/FlagEmbedding