使用合成数据对RAG进行嵌入微调

2023年9月10日更新：我们已将嵌入微调抽象纳入LlamaIndex仓库，因此本仓库技术上已过时！请查看核心文档中的嵌入微调指南。

本仓库向您展示如何微调嵌入模型以提高RAG性能，即使您没有标记数据（即查询/相关文档的正样本对）。

我们将逐步介绍使用LLM生成合成数据集、微调开源嵌入模型以及最终评估微调模型的过程。

我们使用小规模金融PDF文档数据集进行实验，并展示微调嵌入模型可以显著提高检索性能。

设置

要开始，请克隆此仓库并安装依赖项。您还需要克隆llama_index仓库以获取示例PDF。

git clone git@github.com:jerryjliu/llama_index
git clone git@github.com:run-llama/finetune-embedding.git
cd finetune-embedding
pip install -r requirements.txt

然后您可以运行笔记本（例如通过jupyter lab）。

这些笔记本相当轻量，几乎可以在任何机器上运行。

运行步骤

运行generate_dataset.ipynb以生成用于训练和评估的合成数据集
运行finetune.ipynb以微调预训练的开源嵌入模型
运行evaluate.ipynb以评估微调模型，并与预训练基础嵌入模型和专有的OpenAI嵌入模型进行比较。

工作原理

1. 生成用于训练和评估的合成数据集

这里的关键思想是我们可以利用LLM生成假设性问题，这些问题最好由给定的上下文来回答。这允许我们以可扩展的方式生成合成的（查询，相关文档）正样本对，而无需人工标注。

具体来说，我们首先将给定文档处理成文本块语料库。然后对于每个文本块，我们使用LLM生成几个可以用该文本块中的信息回答的假设性问题。最后，我们将所有问题和文本块对收集为数据集。

2. 微调开源嵌入模型

我们利用sentencetransformers的高级模型拟合API，非常轻松地设置训练过程。我们使用MultipleNegativesRankingLoss作为训练目标，使用InformationRetrievalEvaluator作为训练期间的评估器。我们使用开源的"BAAI/bge-small-en"作为基础模型，并进行少量轮次的训练。

3. 评估嵌入模型

我们将微调模型与基础模型以及OpenAI嵌入模型进行比较。我们使用InformationRetrievalEvaluator以及简单的命中率指标进行评估。