1 文本表征

文本表征是自然语言处理中的关键部分，尤其在当前大模型快速发展的背景下。由于大模型存在知识有限、处理文本长度有限、保密要求和大模型幻觉等问题，结合外部数据显得尤为重要。

为了便于存储和检索，除了保存纯文本外，还需要将文本转换为数组形式，以实现模糊查找和上下文语义理解。这使得在不同应用场景下如何进行编码成为一个重要课题。

我最近在优化本地知识存储，调研了一些文本表征方法，包括：文本表征发展过程、相关中文资源、检索增强生成的优化方法、词向量与早期文本数据库工具结合，以及在信息提取、社交网络和电子商务领域中词嵌入的优化方法。共八个部分，将在之后的 8 天内在公众号连载。本文作为开篇，先给出收获和总结。(下文中 Embedding 与嵌入同义)

关键字：embedding-based retrieval，RAG，Information Retrieval

2 问题与解答

在调研之前，我一直有以下一些疑问。在研读过程中，我得到了答案和启发。以下是我目前的个人理解，可能并不完全正确。

2.1 问题一

本地知识库是否必须使用深度学习表示？

目前，知识表示的主要方法包括：基于规则的方法、统计方法和基于神经网络的方法。

现在常说的 Embedding 一般指的是基于深度学习神经网络的稠密向量存储。它对文本理解的效果是目前最好的，但在存储、转换和索引过程中占用的资源和复杂度也更大。

是否需要使用 Embedding 主要取决于使用场景。如果多数情况下只做关键字搜索和模糊搜索，使用基于规则或者统计的方法即可，无需 Embedding。但是，如果想基于本地知识做问答系统，涉及较多文本理解和对话上下文，则需要 Embedding。

其核心逻辑是：Embedding 可以理解字面意思以外的深层意思。

2.2 问题二

除了知识库，文本表示的主要应用场景有哪些？

可以说，有文字并且需要整理、预测或决策的地方都能用到文本表示。

从几篇关于 Embedding 应用的较新论文可以看出，在电子商务、信息提取、社会网络中，匹配、分类和聚类这些场景都用到了 Embedding。

在电子商务领域可将技术转换成经济利益，该领域也最先尝试了各种先进技术。例如，京东和 Facebook Marketplace 分别对 Embedding 做了扩展。在用户层面上利用搜索关键字及用户特征进行编码；在商品层面上，对商品描述文本、商品特征和图片等进行编码。然后，将用户和商品编码映射到同一空间，以实现匹配。这种编码也可视为一种多模态复杂嵌入，是嵌入的广义解释。

在不同的专业领域，扩展和精调是嵌入的常用优化方法。而通用表示则可以不依赖具体数据集，就能像人一样理解文本的含义。编码后，可以进行进一步的分类、聚类以及预测。几乎所有涉及文字预测的场景都可以使用通用嵌入。

在信息提取时，对于特定领域（如识别病虫害），从各种格式和风格的文本中提取信息。之前需要使用规则、命名实体识别，关系识别，主题建模……涉及非常复杂的步骤和模型设计与训练。现在，通过大模型对文本解析，大部分功能可直接实现。从以人为主导变成以数据为主导，人只需做简单干预和审查。而嵌入在其中充当了特征提取和过程存储的重要角色。

在知识发现和特征挖掘方面，Embedding 可能起到很大的作用。

2.3 问题三

向量存储适用于哪些场景？如何选模型？

需要考虑具体的场景、响应速度要求以及成本预算。下面列出三种常见场景：

如果是个人知识库或者狭小领域的知识构建，比如我自己的知识库，内容基本都是手动撰写输入的，体量在百万字级别。无论是自己搭建的嵌入环境还是调用网络 API 工具，成本都不算高，因此不需要太多优化。如果是多人使用的知识库，可以先分用户，然后再检索，向量的计算量也并不大，可以考虑使用 pgvector 级别的解决方案。

如果是一个公司内部知识库，有相对较多的文档，可以考虑用 Lucene 或者 ElasticSearch 对向量扩展支持，自己选型和搭建 Embedding 本地服务。

如果是更大的商用场景，比如做商城，有很多商品和用户，多对多的检索场景，不仅需要做向量库向量检索，还需要针对 Embedding 模型进行优化。

对于 Embedding 模型选型，如果只是对一个简单领域做实验，那么可以选择一种排行榜前列中文的 Embedding 模型，或者调用 OpenAI 的 embedding API 即可。如果数据很多，而且是特定领域的数据，比如医学领域数据，则可以找相关领域的成熟模型，或者用自己的数据进行精调。

2.4 问题四

5000 个字和 5 个字的 embedding 可比吗？

这种问题通常出现在检索的场景中：搜索与关键字最匹配的文档。

在向量匹配过程中，最常用的算法是点积或者计算余弦距离。余弦距离可以看作是点积的归一化结果。点积简单来说就是将向量每个维度的值相乘然后相加。

对于离散稀疏的向量，比如 A:[1,1,1,1,0] 与 B:[0.1,0,0,0]，相关于计算 A 和 B 的交集，点积结果是 [0.1, 0, 0, 0]。稠密向量也类似，当各维度值大且方向一致时，得分高。在查询场景下，对于 N 个文档，与关键词与文档交集越大分数越高。最佳匹配得分本身不一定很高，只要比其他文档高就得到了优先权。

同样由于没有一个绝对距离，无法确定阈值。虽然可以得到命中率的排序，但如果这个关键词与哪个文档相关度都不高，则会返回完全不相关的结果，显得很不靠谱。可以说 Embedding 能实现模糊搜索，但更擅长生成文本。

在有些场景下，统计方法也优于嵌入方法。例如 TF/IDF 利用词频能够定位到文档中一些关键性的词或短语。而使用嵌入方法做文档比较和检索，则更侧重文本本身的相似程度，而不是更有特点的内容。因此，目前很多优化方法使用多种检索方式结合起来。

2.5 问题五

在搜索场景下，embedding 需要考虑上下文吗？

这是一个与交互设计相关的问题。通常情况下，搜索是用户在一个框中输入关键字，这种情况下一般不涉及上下文。当然，也可以将当前文档或者之前的搜索作为背景上下文，但可能提升不多。

在一些特定的搜索场景中，比如商品搜索，用户的个人资料和之前的操作、购买记录都可以作为上下文，与关键字一起生成嵌入，用于匹配商品嵌入，这可能比较有价值。

另外，在社交场景或对话交互中的检索，例如用户想找 " 张三 "，可以将之前的对话、当前用户的社交网络和地域作为选择目标张三的上下文；近期事件和热点事件也应该有更高的命中率，而这些特征各自的权重参数可以通过学习训练获得，不但需要考虑上下文，还涉及进一步的优化 Embedding 方法。

2.6 问题六

大语言模型 LLM 与 Embedding 是什么关系

目前的嵌入技术与 LLM 的底层技术（如：GPT, BERT）和优化方法（如：多模态、多语言、整合知识图、领域定制）基本相同。理论上，可以用 LLM 的一些上层输出作为嵌入。不过，它们的侧重点有所不同。本地部署 7G-70G 左右的 LLM 模型是主流方法，而我们常常选用 1G 以内的模型作为嵌入模型。

总之，二者之间的技术基本是通用的，而侧重点不同。LLM 尽量融入更多知识，以适合复杂应用场景，对推理和数学等全科水平都有期待；而嵌入则相对简单，更侧重语文能力。可以说，嵌入是 LLM 的能力子集。

2.7 总结

很多程序员很喜欢拥抱新技术。有很多技术，一开始觉得还真不错，但装上之后，并不经常用。还带来了一定的资源占用。尝试固然是好的，但在工程领域，请不要为了使用新技术而使用新技术。请以问题为导向，尽量找到痛点，解决问题。

如非必要，勿增实体

请遵循“奥卡姆剃刀”（Occam's Razor）原理，如非必要，勿增实体。根据需要选择：关键字 -> 统计 -> 深度学习。在当前已有稳定系统的情况下，如果没有特定的需求，不要大改，因为效果，稳定性，支出各个方面都不一定好。

比如我在优化本地知识库 Obsidian 时，先后尝试过基本于统计的搜索 OmniSearch，本地插件文本嵌入 Smart connection，以及可部分在服务端的 khoj 做进一步的知识管理。一开始原的时候觉得功能很好。但在日常使用时，使用场景非常少，而因为它需要做各种索引，还让系统变慢，让使用体验变差了。

这个方向的新技术确实对应更高的成本，而且可以考虑多模式并存的方式，

对话与检索，稀疏与稠密

在检索中不一定非要使用深度学习方法，深度学习方法相对于统计方法，可以参考上下文语义理解关键字，并且可以生成通用的语义。而如果只检索需要关键字，也没有什么上下文。

RAG 检索增强生成，它初始的目标是更好的生成，而不是简单的检索。也可以说，其主要的应用领域是生成而非检索。所以，方法的选择取决于具体应用和预算，不一定非要使用新方法。

稀疏与稠密向量的存储、匹配和索引方法各不相同，用于存储不同方法产出的结果。它们还可以相互转化，例如，通过特征筛选或特征映射将稀疏向量变为稠密向量。未来，也可能会出现像 LORA 这样的方法，将稠密向量进一步压缩。

通用模型与特定任务模型

通用文本嵌入比特定于任务的文本嵌入更具挑战性。目前的评测工具，不论是中文还是英文，都可对语义相似度、分类、聚类、检索、重排等多种能力打分。可以参考 huggingface 嵌入排行榜选型。

目前，也有一些开放的训练数据，可以参考这些数据，加入自己的数据，在基模上微调。不过请注意，本地数据可能会导致模型偏差。微调后，可以使用工具（如 C-PACK）评测微调后的模型在旧任务上的得分，而不是随意想几个问题自己测试。