不同检索方式说明

最近在做搜索召回提升相关的研究工作。对比了稀疏检索和稠密向量检索的效果。其中使用的搜索引擎为elasticsearch8.x版本。稀疏检索包括BM25的检索方式，以及es官方在8.8之后版本提供的稀疏向量模型的方式。稠密向量检索，是指借助机器学习的模型做文本嵌入，然后用es8.x以后版本提供的向量检索。

测试数据说明

测试数据包括了中文和英文，涉及了法律和新闻数据。

 一、先说结论

相比较BM25检索，借助机器学习模型做文本嵌入的向量检索方式，有不错的效果。

同时，ES的稀疏向量模型，在英文场景下，相比较BM25和向量检索，仍然取得了更好的召回率提升效果。

BM25和向量检索以及稀疏向量检索之间的关系？

从测试数据来看，三者之间是互补的。

二、三种不同召回方式成功召回率对比效果

声明：这里取top50，如果命中标准答案则认为召回。

以一个测试集为例（法律数据），该测试集是有人工整理的198个问题，包含了问题和答案，相对质量较高。

在下图中，可以看到BM25成功召回177（89%）。

向量检索成功召回156个（79%）

稀疏向量成功召回187个（ 94%）

结论一：稀疏向量召回率 >BM25 > 稠密向量

只看每一种召回方式，召回效果。

稀疏向量成功召回187（ 94%）   >  BM25 成功召回177（89%）>  稠密向量成功召回156 （79%）

请注意这个结论！！! 其中向量检索的效果，会和向量模型有着非常密切的关系，会和测试数据集有非常密切的关系。关于BM25的召回效果好于向量检索，我自己也是不认可的。请看结论四。

结论二：三者是可以互补的

再看三路混合检索整体的召回效果，成功召回189，召回率95%，整体大于任何一个单个检索方式。

结论三：BM25 和 稠密向量可以互补。

稀疏向量是收费才能使用的功能，且只针对英文效果出色。所以这里只看Bm25和稠密向量的方式。

统计1：其中BM25召回成功的，向量检索召回失败的有27个。13%

统计2：其中向量召回成功，但是BM25召回失败的有6个。3%

结论四：BM25是否真的好于向量检索？

其中向量检索，严重依赖外部的文本嵌入的模型，假如模型没有训练过某个领域的知识，则在向量embedding过程中，一定会都是语义，所以效果表现不佳，甚至是低于Bm25的召回效果。

于是又对比了不同的测试数据集: 这次是中文的新闻数据。共1704个case。向量召回率98% >bm

25召回率 95%

即使这样，我依然无法下一个结论说向量检索效果比BM25好，或者说差。还是取决于文本嵌入模型的能力，以及测试集样本。但是总是可以得出，而知没有绝对的谁领先，而是互补，1+1 >2的效果!

其中BM25 成功召回 1619，召回率95%。

其中向量 成功召回 1675，召回率98.2%。

 

整体召回率，98.8%。两者可以互补的结论依然成立。

 

三、稀疏向量的提升效果

四、应该如何选用召回方式

其中Bm25 是花费资源最少得检索方式。向量检索是花费资源最多的方式，因为要使用模型，其并发能力会受到资源限制。稀疏向量需要依赖官方提供的模型，是收费的功能，并且价格昂贵，且只支持英文场景，无法做多语言的混合场景，亲测中英混合的情况下，效果下降明显。