本文對(duì)預(yù)訓(xùn)練模型在召回(retrieval), 排序(re-ranking)，以及其他部分的應(yīng)用做一個(gè)總結(jié)。

1. 背景

搜索任務(wù)就是給定一個(gè)query或者QA中的question，去大規(guī)模的文檔庫(kù)中找到相似度較高的文檔，并返回一個(gè)按相關(guān)度排序的ranked list。

由于待訓(xùn)練的模型參數(shù)很多（增加model capacity），而專門針對(duì)檢索任務(wù)的有標(biāo)注數(shù)據(jù)集較難獲取，所以要使用預(yù)訓(xùn)練模型。

2. 檢索模型的分類

檢索的核心，在于計(jì)算query和document的 相似度 。依此可以把信息檢索模型分為如下三類：

基于統(tǒng)計(jì)的檢索模型

使用exact-match來(lái)衡量相似度,考慮的因素有query中的詞語(yǔ)在document中出現(xiàn)的詞頻TF、document長(zhǎng)度（懲罰長(zhǎng)文本，例如一個(gè)詞在300頁(yè)的文章中出現(xiàn)過(guò)2次遠(yuǎn)遠(yuǎn)不如一個(gè)詞在一小段微博動(dòng)態(tài)里出現(xiàn)過(guò)兩次）、逆文檔詞頻IDF（懲罰在所有文檔中都出現(xiàn)過(guò)很多次的詞，例如“的”）。

代表性的模型是BM25，用來(lái)衡量一個(gè)term在doc中的重要程度，其公式如下：

懲罰長(zhǎng)文本、對(duì)詞頻做飽和化處理

實(shí)際上，BM25是檢索模型的強(qiáng)baseline。基于exact-match的檢索模型是召回中必不可少的一路。

Learning-to-Rank模型

這類模型需要手動(dòng)構(gòu)造特征，包括

query端特征，如query類型、query長(zhǎng)度（還可以加入意圖slot?);

document端特征（document長(zhǎng)度，Pagerank值）；

query-document匹配特征（BM25值，相似度，編輯距離等）。

其實(shí)，在現(xiàn)在常用的深度檢索模型中也經(jīng)常增加這種人工構(gòu)造的特征。根據(jù)損失函數(shù)又可分為pointwise（簡(jiǎn)單的分類/回歸損失）、Pairwise(triplet hinge loss，cross-entropy loss)、Listwise。

深度模型

使用query和document的embedding進(jìn)行端到端學(xué)習(xí)。可以分為

representation-focused models（用雙塔建模query和document，之后計(jì)算二者相似度，雙塔之間無(wú)交互，用于召回）

interaction-focused models（金字塔模型，計(jì)算每個(gè)query token和每個(gè)document token的相似度矩陣，用于精排。精排階段還可增加更多特征，如多模態(tài)特征、用戶行為特征、知識(shí)圖譜等）

3. 預(yù)訓(xùn)練模型在倒排索引中的應(yīng)用

基于倒排索引的召回方法仍是在第一步召回中必不可少的，因?yàn)樵诘谝徊秸倩氐臅r(shí)候我們面對(duì)的是海量的文檔庫(kù)，基于exact-match召回速度很快。但是，其模型capacity不足，所以可以用預(yù)訓(xùn)練模型來(lái)對(duì)其進(jìn)行模型增強(qiáng)。

3.1 term re-weighting

代表論文： DeepCT (Deep Contextualized Term Weighting framework: Context-Aware Sentence/Passage Term Importance Estimation For First Stage Retrieval).

普通的exact-match中衡量一個(gè)詞在query/document中的重要程度就是通過(guò)詞頻(TF)或者TFIDF，或者TFIDF的改進(jìn)版本--BM25，例如在建立倒排索引的時(shí)候，每個(gè)term在不同document的重要程度就是用TF來(lái)衡量的。

但是，一個(gè)詞在兩個(gè)document中出現(xiàn)頻率相同，就說(shuō)明這個(gè)詞在兩個(gè)document中同樣重要嗎？其實(shí)詞的重要程度比詞頻要復(fù)雜的多。

所以，可以使用contextualized模型，例如BERT，Elmo等獲得每個(gè)詞的 上下文 表示，然后通過(guò)簡(jiǎn)單的線性回歸模型得到每個(gè)詞在document中的重要程度。文檔真實(shí)詞語(yǔ)權(quán)重的估計(jì)如下，這個(gè)值作為我們訓(xùn)練的label：

其中， 是與文檔 d 相關(guān)的查詢問(wèn)題的集合； 是包含詞語(yǔ) t 的查詢問(wèn)題集合 的子集； 是文檔 d 中詞語(yǔ) t 的權(quán)重。的取值范圍為，以此為label訓(xùn)練。這樣，我們就得到了一個(gè)詞在document中的重要程度，可以替換原始TF-IDF或BM25的詞頻。對(duì)于query，也可以用同樣的方法得到每個(gè)詞的重要程度，用來(lái)替換TFIDF。

3.2 Document expansion

除了去估計(jì)不同term在document中的重要程度，還可以直接顯式地?cái)U(kuò)增document，這樣一來(lái)提升了重要詞語(yǔ)的權(quán)重，二來(lái)也能夠召回"詞不同意同"的文檔（解決lexical-mismatch問(wèn)題）。

例如，可以對(duì)T5在query-document對(duì)上做微調(diào)，然后對(duì)每個(gè)document做文本生成，來(lái)生成對(duì)應(yīng)的query，再加到document中。之后，照常對(duì)這個(gè)擴(kuò)增好的document建倒排索引，用BM25做召回。代表工作：docTTTTTquery[3]

同樣地，也可以對(duì)query進(jìn)行擴(kuò)增。例如對(duì)于QA中的question，可以把訓(xùn)練目標(biāo)定為包含答案的句子、或者包含答案的文章title，然后用seq2seq模型訓(xùn)練，再把模型生成的文本加到query后面，形成擴(kuò)增的query。

3.3 term reweighting + document expansion

那么，我們可不可以同時(shí)做term reweighting和document expansion呢？這方面的代表工作是Sparterm[4]

此模型分為兩部分：重要度預(yù)測(cè)模塊（用來(lái)得到 整個(gè)vocab上 的重要程度）和門控模塊（得到二進(jìn)制的門控信號(hào)，以此來(lái)得到最終保留的稀疏token，最終只能保留 個(gè)token）。由于重要度是針對(duì)整個(gè)vocab而言的，所以可以同時(shí)實(shí)現(xiàn)重要度評(píng)估+詞語(yǔ)擴(kuò)增。

重要度預(yù)測(cè)模塊采用了類似MLM的思想，即先用BERT對(duì)句子做好contextualized embedding，然后乘上vocab embedding 矩陣 E ，得到這個(gè)詞對(duì)應(yīng)的重要度分布：

這句話整體的重要度分布就是所有詞對(duì)應(yīng)的重要度分布取relu（重要度不能是負(fù)數(shù)），然后加起來(lái)的和：

門控模塊和重要度評(píng)估模塊的計(jì)算方法類似，只是參數(shù)不再是 E , 而是另外的變換矩陣。得到gating distribution G 之后，先將其0/1化為 G' （如果G中元素>threshold則取1，否則取0）；然后得到我們需要保留的詞語(yǔ)（exact-match必須保留，還增加一些擴(kuò)增的token）。

通過(guò)端到端的方式訓(xùn)練，訓(xùn)練的損失函數(shù)有兩個(gè)，其中一個(gè)就是我們常見(jiàn)的ranking loss，即取 三元組，然后求對(duì)比cross-entropy loss。這里的q', p'都是經(jīng)過(guò)重要度評(píng)估模塊+門控模塊之后得到的句子表征,因此loss反傳可以對(duì)重要度評(píng)估模塊和門控模塊進(jìn)行更新。

另一個(gè)loss專門對(duì)門控模塊做更新，訓(xùn)練數(shù)據(jù)是對(duì)，對(duì)于一個(gè)document，先得到其門控向量G, 然后去和實(shí)際的query進(jìn)行對(duì)比：

T為真實(shí)query的bag of words

審核編輯：劉清