Embedding模型在大语言模型中的重要性

引言

随着大型语言模型的发展，以ChatGPT为首，涌现了诸如ChatPDF、BingGPT、NotionAI等多种多样的应用。公众大量地将目光聚焦于生成模型的进展之快，却少有关注支撑许多大型语言模型应用落地的必不可少的Embedding模型。本文将主要介绍为什么Embedding模型在大语言模型中十分重要、当前主流的Embedding训练方法，以及我们关于Embedding模型初步探索的一些思考。

1 Embedding技术简介及历史概要

在机器学习和自然语言处理中，Embedding模型是指将高维度的数据（例如文字、图片、视频）映射到低维度空间的过程。简单来说，embedding向量就是一个N维的实值向量，它将输入的数据表示成一个连续的数值空间中的点。本文主要关注文本embedding。

Embedding重要的原因在于它可以表示单词或者语句的语义。实值向量的embedding可以表示单词的语义，主要是因为这些embedding向量是根据单词在语言上下文中的出现模式进行学习的。例如，如果一个单词在一些上下文中经常与另一个单词一起出现，那么这两个单词的嵌入向量在向量空间中就会有相似的位置。这意味着它们有相似的含义和语义。

Embedding的概念可以追溯到20世纪中叶，Harris提出了分布式语义理论。到20世纪80年代，人们开始尝试用神经网络来学习单词的embedding表示。自2010年以来，随着深度学习技术的发展，先后出现了以Word2Vec、GloVe、FastText为代表的静态向量Embedding和使用ELMo、GPT、BERT为代表生成上下文相关的动态向量embedding，后者可以更好地捕捉单词的语义和上下文信息。

2 Embedding在大模型中的价值

如前文所述，也是被我们熟知的，embedding向量包含语义信息，含义越相近的单词，embedding向量在空间中的位置也越相近。实值向量embedding可以通过从大量的数据中学习单词的语义和上下文信息，从而可以进行向量运算和在不同自然语言处理任务中共享和迁移。

然而，这是Embedding之前的价值。在大语言模型时代，Embedding又有什么新的价值呢？

这要从类ChatGPT模型的缺陷说起。尽管它们能力强大，但目前依然存在以下几点问题：

训练数据不实时（如ChatGPT是基于2021年9月之前的数据训练），重新训练成本过高，不现实
输入文本长度有限制，通常限制在几千到数万个tokens之间
无法访问不能公开的文档

对此，OpenAI发布了一篇文档，说明如何基于embedding使用两步搜索的方式来解决GPT无法处理长文本和最新数据的问题。两步搜索，即先搜索文本库以查找相关的文本部分，再将检索到的文本部分添加到类ChatGPT模型的输入中，获取回复。

以一个代表性的应用来说明，当我们想让大模型根据我们给定的pdf文档进行问题回复时，就可以对超长pdf进行分块，获取每个分块内容的embedding，并使用向量数据库存储。接下来，当你提出问题“xxx在文档中是如何实现的？”时，就可以使用你的问题embedding，去数据库中检索得到与问题embedding相似度最高的pdf内容块embedding。最终把检索得到的pdf内容块和问题一起输入模型，来解决新知识和超长文本输入的问题。

因此，尽管当前的讨论热度不高，但embedding模型的探索对于大语言模型的落地是必不可少的。

3 主流Embedding训练方法

前面提到，OpenAI早已提出了基于Embedding的搜索方案来解决长文本输入和最新数据的问题。自然而然，OpenAI也有一套未公开训练细节的Embedding方案：text-embedding-ada-002。这是OpenAI的二代Embedding模型，仅使用了一个模型就能同时完成三种下游任务：文本搜索，文本相似度和代码搜索。相较于一代模型分成了五个模型来完成上述三种任务，二代模型简化为了单一模型，且在中文和英文任务上都表现出较好的性能。

在本章中，我们将梳理一些主流的Embedding训练方法。近年来，Sentence Embedding的相关工作大多基于BERT-like models。从基于Decoder结构的模型中获取Embedding，只有少数的研究和公开代码。OpenAI所发表的Embedding论文的训练细节也不甚清楚。因此，在本章中，我们主要梳理基于BERT-like models的Sentence Embedding的一些代表性方法。对于基于Decoder结构模型获取Embedding的探索的思考，我们将在第四章中进行讨论。

在BERT前时代，一般采用word2vec训练出的word embedding结合pooling策略进行句向量表征。在BERT时代，人们借助预训练语言模型的固有优势，先是采用BERT模型的[CLS]向量作为句向量表征，而后Sentence-BERT又巧妙地使用孪生网络模型的框架来获取句向量，后续又相继出现BERT-Flow、BERT-Whitening、SimCSE、R-Drop、ESimCSE等工作。其中，被大家较为熟知的就是BERT-whitening和SimCSE，之后便有大量的工作以对比学习为主线思路，在构造正负样本对的数据层面和训练层面进行了改进。本章节主要对该类方法进行一个简要概括。

由于近期的Sentence Embedding工作多围绕对比学习展开，我们首先来回忆一下对比学习的基础。

3.1 对比学习背景

对比学习就是「以拉近相似数据，拉远不相似数据为目标，有效地学习数据表征」。给定一个pair对样本集合, 其中和为相似样本，优化目标一般采用通过in-batch negetives交叉熵损失函数，如下：

其中，和为和的句向量表示，N为训练过程中batch的大小，为向量和余弦相似度，为温度超参。

3.2 经典方法

近年来，自SimCSE横空出世后，句嵌入领域也引起了一小波研究热潮。在本小节，我们主要对SimCSE相近时期的三篇工作（SimCSE、ESimCSE、CoSENT）进行了相对详细的梳理，并简单总结了后续部分代表工作。

3.2.1 SimCSE

SimCSE算是句嵌入领域最出圈的工作之一了。

它分为两个版本：

无监督版本SimCSE：正样本来自于对同一个句子应用不同的dropout mask所产生的两个相近的表示，负例则使用in-batch negatives；
有监督版本的SimCSE，则基于NLI数据集构造正负样本，正例取蕴含关系的句子对，负例取矛盾关系的句子对（难负例）和in-batch negatives。

以上就是SimCSE的核心思想，简单有效，同时很有启发意义，引领了句嵌入技术后续一波研究热潮。

3.2.2 ESimCSE

ESimCSE分别从正负样本构建的角度对SimCSE进行了改进。

（1）正例对的构建方法：

由于SimCSE是通过调节dropout率构建的正例对，长度是一样大的，负例则长度不等，这会使得模型倾向于判断相同或相似长度的句子在表达上更相近。

为了缓解这个问题，ESimCSE选择在句子中随机重复一些单词，这可以在改变句子长度的同时，而不改变其语义。

（2）负例对的构建方法：

在对比学习中，理论上负对越多，对之间的比较就越好。ESimCSE也遵从了这一思想，但并没有直接强硬开大batch size，而是维护了一个队列，重用前面紧接的mini-batch的编码嵌入来扩展负对，并使用了动量编码器。具体做法是：由于排队句子嵌入来自前面的mini-batch，可以取其参数的移动平均来保持动量更新模型，并利用动量模型生成排队句子嵌入。当使用动量编码器时，关闭dropout，来缩小训练和预测之间的差距。编码器的参数和动量更新编码器的参数进行更新，按以下公式计算：

为动量系数参数。注意，只有参数通过反向传播更新。这里我们引入来为队列生成句子嵌入，因为动量更新可以使比进化得更平稳。因此，尽管队列中的嵌入是由不同的编码器编码的(在训练期间的不同“步骤”中)，但这些编码器之间的差异可以很小。

3.2.3 CoSENT

早期的Sentence-BERT存在训练、预测不一致和调优困难的问题。但如果直接优化预测目标cos值，效果往往又特别差。难道直接优化cos值的方案就没有出头之日了吗？

有幸的是，答案是不会。苏剑林老师提出了一种CoSENT方案，一个优化cos值的损失函数：

记为所有正样本对集合，为所有负样本对集合，那么我们希望对于任意的正样本对和负样本对，都有

其中，是它们各自的句向量。说白了，我们只希望正样本对的相似度大于负样本对的相似度，至于大多少，模型自己决定就好。事实上语义相似度常见的评价指标spearman也是一样，它只依赖于预测结果的相对顺序，而不依赖于具体的值。

针对这类需求，可以用到Circle Loss理论里边的公式作为解决方案：

简单来说，就是如果最终希望实现，那么就往log里边加入一项。对应我们这里的场景，我们可以得到损失函数:

其中是一个超参数。上述公式本质上是一个为排序设计的损失函数，同样适用于多分类的数据，写成更通用的形式：

也就是说，只要我们认为样本对(i,j)的真实相似度应该大于(k,l)的真实相似度，就可以往log里边加入；换句话说，只要我们能够为样本对设计顺序，就可以使用CoSENT方案。

对于NLI数据而言，它有“蕴含”、“中立”、“矛盾”三种标签，我们自然可以认为两个“蕴含”的句子相似度大于两个“中立”的句子，而两个“中立”的句子相似度大于两个“矛盾”的句子，这样基于这三种标签就可以为NLI的句子对排序了。而有了这个排序后，NLI数据也可以用CoSENT来训练了。类似地，对于STS-B这种本身就是打分的数据，就更适用于CoSENT了，因为打分标签本身就是排序信息。

3.2.4 后续部分工作概括

SNCSE: Contrastive Learning for Unsupervised Sentence Embedding with Soft Negative Samples
- 针对模型「无法区分文本相似度和语义相似度，更偏向具有相似文本，而不考虑实际语义差异」的问题，提出了一种「显式添加否定词从而生成软负样本」结合「双向边际损失」的方案。

EASE: Entity-Aware Contrastive Learning of Sentence Embedding
- 强调实体在句向量表征中的重要性。在数据层面，使用正、负实体代替正负样本。
CLAIF：Improving Contrastive Learning of Sentence Embeddings from AI Feedback
- 针对训练过程中缺乏细粒度的监督信号，即没有考虑到正样本对之间的相似性差异，引入来自LLM的AI反馈，构造具有不同相似度的样本对，并对这些样本对给出细粒度的相似度分数作为监督信号，帮助文本表示的学习。

3.3 PromptBERT

PromptBERT是句嵌入领域继SimCSE又一篇经典之作。

这篇工作的核心就是想用Prompt来产生句子表示。作者认为，原生BERT表现不好主要是因为词语频率、大小写、subword等token导致的bias，而BERT本身各层Transformer都没有纠正这个问题。通过利用prompt，可以更有效地使用BERT各层中的知识，并且用[MASK]来表示embedding的话，可以避免像以前一样做各种token的平均，从而避免了token引入的偏差。

这篇工作方法的核心思路也比较简单，分为两步：

用Prompt的方式生成句子表示，比如[X] means [MASK]，[X]是输入句子，[MASK]是输出的表示，用这个当句子表示
用不同的Prompt模版来生成对比学习的角度，继续采用自监督的方式训练

3.4 Instrcutor Embedding

根据OpenAI的论文《Text and Code Embeddings by Contrastive Pre-Training》的说法，文本相似度和语义检索是两个不同的任务，训练目标可能存在一定冲突。随着训练进行，如果模型可能在语义搜索任务上的表现越好，在句子相似度任务上的表现可能就越差。同时，现有的Embedding模型面对新任务和新领域时，性能通常表现不佳。

而我们理想的Embedding显然应该同时具备多种能力。怎么能让Embedding模型同时适应多个任务，并且在新领域上有泛化性呢？

Instrcutor Embedding设计了一种基于指令微调的文本嵌入新方法：在文本输入之前拼接解释用例的指令（包含任务和领域信息）。Instrctor Embedding在训练期间为330个文本嵌入数据集手工编写了任务指令，并在 70 个嵌入评估任务（其中 64 个任务在训练过程中未见）上评估了 INSTRUCTOR，范围从分类和信息检索到语义文本相似性和文本生成评估，整体达到了一个较好的性能。

4 Embedding相关探索与思考

上一章节梳理了基于BERT-like models的Sentence Embedding的代表工作。其实，对于使用双向注意力机制的BERT-like models擅长做内容理解类的任务似乎是很合理的。但OpenAI Embedding模型较好的效果和OpenAI 对于Decoder-Only架构模型的坚持程度，以及近半年大模型的迅速发展，让我们不禁好奇，Decoder-only的大模型有没有可能在Embedding任务上也给我们一次惊喜？

对此我们进行了一些探索类的尝试。在摸索的过程中，我们最希望能搞清两个问题：

BERT-like models真的比Decoder-Only架构的模型天然更适合做Embedding任务吗？
对于Embedding任务而言，模型也是越大越好吗？

最终，经过我们对于Decoder-only模型padding方式、pooling方式、不同层各向异性程度的探究，最终得到的结论和当前部分公开结论相对一致。

针对第一个问题，《How Contextual are Contextualized Word Representations? Comparing the Geometry of BERT, ELMo, and GPT-2 Embeddings》论文进行了BERT和GPT不同层效果对比的探究实验，实验效果如下表：