埋め込みモデルによる再ランキング

RAGのリランキングのPythonコード

目次

Reranking は、Retrieval Augmented Generation (RAG) システム の二つ目のステップであり、Retrieving と Generating の間にある。

Electric cubes in digital space

上記は、Flux-1 dev が想像する Electric cubes in digital space の様子です。

Retrieval with reranking

もし最初からドキュメントをベクトル DB に埋め込み形式で保存する場合、Retrieval はすぐに類似したドキュメントのリストを返します。

Standalone reranking

しかし、インターネットからドキュメントをダウンロードしてから検索を行う場合、検索プロバイダーの好みやアルゴリズム、スポンサーコンテンツ、SEO 最適化などによって検索システムの応答が影響を受ける可能性があるため、検索後の再評価（ポスト検索再評価）が必要になります。

私がしていたこと：

  • 検索クエリの埋め込みを取得
  • 各ドキュメントの埋め込みを取得。ドキュメントが8,000トークンを超えることは予想されていなかった
  • クエリと各ドキュメントの埋め込みの類似度を計算
  • 類似度によってドキュメントを並べ替える

ベクトル DB はここにはありません。それでは進みましょう。

サンプルコード

Langchain を使って Ollama に接続し、langchain の cosine_similarity 関数を使用しています。 類似度でフィルタリングすることはできますが、ドメインや埋め込み LLM によってしきい値は異なることを覚えておいてください。

このコードが皆様にとって役立つことを願っています。 Copy/Paste/UseAnyWayYouWant ライセンス。 よろしくお願いします。

from langchain_core.documents import Document
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.utils.math import cosine_similarity
import numpy as np


def cosine_distance(a: np.ndarray, b: np.ndarray) -> np.ndarray:
    return 1.0 - cosine_similarity(a, b)

def compute_score(vectors: np.ndarray) -> float:
    score = cosine_distance(vectors[0].reshape(1, -1), vectors[1].reshape(1, -1)).item()
    return score

def list_to_array(lst):
    return np.array(lst, dtype=float)   

def compute_scorel(lists) -> float:
    v1 = list_to_array(lists[0])
    v2 = list_to_array(lists[1])
    return compute_score([v1, v2])

def filter_docs(emb_model_name, docs, query, num_docs):
    content_arr = [doc.page_content for doc in docs]

    ollama_emb = OllamaEmbeddings(
        model=emb_model_name
    )

    docs_embs = ollama_emb.embed_documents(content_arr)
    query_embs = ollama_emb.embed_query(query)
    sims = []
    for i, emb in enumerate(docs_embs):
        idx = docs[i].id
        s = compute_scorel([query_embs, docs_embs[i]])
        simstr = str(round(s, 4))
        docs[i].metadata["sim"] = simstr
        sim = {
            "idx": idx,
            "i": i,
            "sim": s,
        }
        sims.append(sim)

    sims.sort(key=sortFn)

    sorted_docs = [docs[x["i"]] for x in sims]
    filtered_docs = sorted_docs[:num_docs]
    return filtered_docs

最も優れた埋め込みモデル

私のタスクにおいて現在最も優れた埋め込みモデルは bge-large:335m-en-v1.5-fp16 です。

二位は nomic-embed-text:137m-v1.5-fp16 と jina/jina-embeddings-v2-base-en:latest です。

しかし、ご自身のドメインとクエリに対してご自身でテストを行ってください。

有用なリンク