BGE M3-Embedding：智源最新发布的text embedding模型，多语言检索效果超过微软跟openai
提纲
1 简介
2 BGE M3-Embedding
2.1 训练数据构建
2.2 混合检索
2.3 训练方式
3 实验
4 讨论
参考文献
1 简介
24年的第一个月，智源就发布了新一代text embedding模型BGE M3-Embedding，该模型支持超过100种语言，能够接受不同形式的文本输入，文本最大输入长度扩展到4192，并且支持包括稠密检索，稀疏检索，多向量检索三种不同检索手段。从实验结果上看，在多语言跟跨语种检索任务上，BGE M3-Embedding的效果超过之前提及的微软E5-mistral-7b微软E5-mistral-7b-instruct:
站在LLM肩膀上的text embedding以及openai去年底刚发布的第三代text embedding模型，对于长文本检索也表现优异。
2 BGE M3-Embedding
2.1 训练数据构建
M3-Embedding的训练用了非常庞大且多样化的多语言数据集，数据有三个不同来源。其一是没有标注信息的弱监督数据，来自于从网上挖掘得到的各种有语义关联的数据，并过滤掉其中低质量的内容。其二是来自有标注信息的监督数据，包括若干个中文跟英文的开源数据集，例如MS MARCO，NLI，DuReader等。其三是合成得到的监督数据，利用GPT3.5为来自Wiki跟MC4的长文本生成对应的问题，用于缓解模型在长文档检索任务的不足，同时引入额外的多语言数据。具体情况如下图，这三种不同来源的数据相互补充，分别作用于模型不同阶段的训练，三个源头的数据量逐渐递减，但是数据数量逐渐提升。
图1：训练数据介绍
2.2 混合检索
M3-Embedding联合了3种常用的检索方式，对应三种不同的文本相似度计算方法，具体如下。
Dense retrieval: 给定一个文本，获取语言模型最后一层上[CLS]位置的隐状态，经过标准化作为文本的稠密向量表征。通过计算query跟doc的向量表征之间的内积就知道文本之间的稠密检索相似度。这是目前主流text
embedding模型用的比较多的一种检索方式，这部分表征更注重文本整体的语义信息。
Lexical Retrieval：给定一个文本，获取语言模型最后一层上所有位置的隐状态，每个位置对应原始文本中的一个token，依次将每个位置的隐状态通过一个全连接层+Relu函数得到该token的权重，将所有每个token的隐状态*对应的权重再求和作为文本的稀疏表征（如果文本包含两个以上相同的token，则该token的权重取其中最大的权重值）。很熟悉的感觉吧，很像tfidf，也跟RetroMAE-V2的第二部分特征很相似，这部分特征更在意文本中各个token的信息，重要的token就赋予更高的权重。
Multi-Vec Retrieval: 给定一个文本，获取语言模型最后一层上所有位置的隐状态，经过一个全连接矩阵跟标准化后得到文本的多向量表征（文本的多向量表征维度为n*d，其中n是文本长度，d是隐状态维度）。给定query，query上第i个位置跟doc的相似度的计算方式为依次计算query第i个位置的多向量表征跟doc各个位置上的多向量表征之间的内积，取其中最大值作为其得分，将query上所有位置跟doc的相似度平均求和就得到对应的多向量表征相似度。其实这就是稠密检索的一个引申版本。
由于提供给了三种不同检索手段，所以M3-Embedding的使用方式也有所不同，首先，可以基于这三种不同的检索手段分别去召回相关文档（就是多路召回），然后基于三种相似度得分平均求和对召回结果做进一步重排。
2.3 训练方式
M3-Embedding的训练损失也相对复杂，包括两部分损失。首先第一部分是对比学习损失，沿用InfoNCE的方式，希望拉近query跟相关文档之间的距离，同时疏远query跟不相关文档之间的距离，但是由于M3-Embedding提供了三种相似度计算方式，所以这里其实是包含了3个对比学习损失的。第二部分蒸馏损失，研究人员将三种不同方式的相似度得分进行加权求和作为teacher分数，然后让三种相似度得分去学习teacher得分的信息，由此得到3个蒸馏损失。模型训练总体损失就是由这2*3个损失通过加权求和得到的。
M3-Embedding采用的多阶段训练，自动编码预训练+弱监督对比学习预训练+监督对比学习finetune，第一阶段的自动编码预训练采用的是RetroMAEBGE登顶MTEB的神器--RetroMAE｜一种基于自动编码的检索模型预训练方法，在105种语言的网页跟wiki数据上进行，从而获得一个基底模型。然后第二阶段会在第一个数据源的弱监督数据进行预训练，这阶段的损失损失只考虑基于稠密检索的对比学习损失。最后第三阶段会在第二，三个数据源的监督数据进行训练，这阶段的损失就包括前面提及的所有损失，包括对比学习损失跟蒸馏损失。
图2：多阶段训练过程
3 实验结果
a) 在多语言检索，跨语言检索，多语言长文档检索等任务上，BGE-3M都有非常不错的效果，超过微软的E5-mistral-7b。同时也看到了使用多种相似度计算方式对于检索性能有明显提升。
图3：多语言检索效果
b) 通过消融实验对比，可以发现在使用不同相似度计算方式条件下，M3-Embedding中的蒸馏损失都能给最终效果带来明显提升，尤其是对于稀疏检索而言。
图4：消融实验
4 讨论
从实验结果上看，在检多语言索相关任务上，智源发布的BGE M3-Embedding性能相比微软的E5-mistral-7b跟openai的text
embedding v3确实有所领先，还是在参数量远小于E5-mistral-7b的条件下实现的，这个结果确实很让人惊喜。这个规模的语言模型，在多语言场景下的潜力还有很大的，相比直接劝退玩家的E5-mistral-7b。同样让我很惊喜的是M3-Embedding的多阶段训练过程，在去年的文章中语言模型之text
embedding（思考篇），我提到过自动编码跟弱监督对比学习这两种预训练方式并不冲突，是可以一起使用的，后面或许会出现“自动编码+对比学习+对学学习”这种训练方式，现在看到M3-Embedding也确实是怎么做的，成功预判了大佬们的行动~
看完论文会发现，所有的实验都是在检索任务上进行的，那么在embedding其他相关任务上M3-Embedding的效果又是如何呢？这里我是存有疑问的，毕竟在第三个数据源中的合成数据都是检索数据，加了那么多检索数据，对于检索任务铁定是有提升的，但是对于其他任务呢？应该很快就有玩家会用M3-Embedding把MTEB榜单上所有任务都跑一遍，这样才能更加全面地去评估M3-Embedding的能力。除此之外，M3-Embedding这里已经没有instruction或者prefix的存在了，也就是说，无法通过任务或者场景的描述，去生成特定的文本表征，这种方式其实是不符合目前的主流做法，跟上一代的BGE也不同。可能的解释或许就是这个模型只针对多语言检索任务，或许是有三种不同检索方式的存在限制了instruction或者prefix的使用。
另外一个有趣的现象，不知道大家有没有注意到，无论是微软的E5-mistral-7b，还是智源的M3-Embedding，都是利用GPT4/GPT3.5合成了大量多语言数据，这大概率会成为后续text embedding模型训练数据的一个重要来源。
参考文献1 BGE
M3-Embedding: Multi-Lingual, Multi-Functionality, Multi-Granularity Text
Embeddings Through Self-Knowledge Distillation
https://github.com/FlagOpen/FlagEmbedding/blob/master/FlagEmbedding/BGE_M3/BGE_M3.pdf
出自：https://mp.weixin.qq.com/s/dopJrFbtr1U8J0xrfRRAvw