基於學習相似度的檢索技術

Core Concepts

本文介紹了一種稱為混合邏輯迴歸（MoL）的新方法，用於在推薦系統、搜尋和自然語言處理等資訊檢索任務中，以學習相似度函數取代傳統的點積相似度函數，並提出了有效的近似演算法，以實現高效的檢索。

Abstract

標題：基於學習相似度的檢索技術
作者：Bailu Ding*, Jiaqi Zhai*
機構：微軟研究院，Meta
發表日期：2024 年 11 月 20 日

本研究旨在探討如何利用學習相似度函數來提升資訊檢索的效率和效能，並解決傳統點積相似度函數在表達能力上的限制。

Key Insights Distilled From

Retrieval with Learned Similarities

by Bailu Ding, ... at arxiv.org 11-21-2024

https://arxiv.org/pdf/2407.15462.pdf

Deeper Inquiries

如何將 MoL 與其他深度學習技術（例如圖神經網路）結合起來，以進一步提高資訊檢索的效能？

將 MoL 與圖神經網路（GNN）結合是一個很有潛力的研究方向，可以從以下幾個方面著手：

基於圖增強的項目表示： 利用 GNN 可以有效地捕捉項目之間的複雜關係。可以將知識圖譜或用戶-項目交互圖作為輸入，使用 GNN 學習更豐富的項目表示，再將這些表示用於 MoL 的組成成分嵌入（component-level embeddings）。這樣可以將結構化信息融入到 MoL 中，提高其對項目之間關係的建模能力。
基於圖的 MoL 組件動態選擇： 可以利用 GNN 根據查詢和項目的特徵，動態地選擇 MoL 中參與計算的組成成分嵌入對。例如，可以將查詢和項目表示輸入到一個 GNN 中，輸出一個用於選擇組成成分嵌入對的掩碼（mask），從而實現更靈活、自適應的相似度計算。
基於圖的負樣本採樣： GNN 可以用於更有效的負樣本採樣。例如，可以根據圖中的距離或關聯性，為每個查詢選擇更具信息量的負樣本，從而提高 MoL 的訓練效率和模型泛化能力。

總之，將 MoL 與 GNN 結合可以充分利用兩者的優勢，提高資訊檢索的效能。

如果資料集的規模非常龐大，以至於無法在單個 GPU 上進行訓練，那麼如何有效地訓練 MoL 模型？

當資料集規模龐大無法在單個 GPU 上訓練時，可以採用以下策略：

模型并行化： 將 MoL 模型的不同組成部分（例如不同的組成成分嵌入對）分配到不同的 GPU 上進行訓練，並通過參數服務器或其他分佈式訓練框架同步梯度和模型參數。
數據并行化： 將數據集分割成多個子集，每個 GPU 負責訓練其中一個子集，並定期同步模型參數。數據并行化可以使用同步更新或异步更新的方式進行。
混合精度訓練： 使用混合精度訓練可以減少模型訓練所需的內存和計算量。例如，可以使用 FP16 存储模型参数和计算梯度，同时使用 FP32 维护模型参数的副本以保证训练的稳定性。
高效的負樣本採樣： 在大規模數據集上，負樣本採樣策略對訓練效率至關重要。可以採用一些高效的負樣本採樣方法，例如批内负采样 (in-batch negatives) 或使用缓存机制存储和更新负样本。

此外，还可以考虑使用一些专门针对大规模深度学习模型训练的框架和工具，例如 TensorFlow、PyTorch DistributedDataParallel 等。

在哪些情況下，基於學習相似度的檢索技術可能不如傳統的基於點積相似度的檢索技術？

雖然基於學習相似度的檢索技術（如 MoL）在很多情況下表現出色，但在以下情況下，傳統的基於點積相似度的檢索技術可能更具優勢：

極度重視效率的場景： 點積計算效率極高，尤其是在經過量化和近似最近鄰搜索算法優化後。如果應用場景對延遲要求極高，而對检索精度要求相對寬鬆，那麼基於點積的檢索技術可能更為適合。
訓練數據極度稀疏的場景： 學習複雜的相似度函數需要大量的訓練數據。如果訓練數據極度稀疏，學習得到的相似度函數可能無法準確地反映數據的真實分佈，導致泛化能力不足。此時，簡單的點積相似度可能表現更穩健。
可解釋性要求高的場景： 點積相似度易於理解和解釋，可以清楚地知道哪些特徵對相似度貢獻最大。而學習得到的相似度函數通常是一個黑盒，難以解釋其內部機制。

總之，在選擇基於學習相似度還是基於點積相似度的檢索技術時，需要根據具體的應用場景、數據特點和性能需求進行權衡。