语义搜索的瓶颈？微调如何解决“相似但不相关”难题​

本文较长，建议点赞收藏，以免遗失。

我们都知道文本嵌入模型能将文本表示为具有语义意义的向量，广泛应用于检索、分类、检索增强生成（RAG）等场景。然而，通用嵌入模型在特定领域任务上往往表现不佳，语义相似度不足以确保检索结果真正有用。解决这一问题的核心方法是微调（fine-tuning），它通过额外训练调整模型行为，使其适应领域特定需求。今天我们将探讨微调的技术原理、实施步骤，希望能帮助到各位，废话不多说，我们进入正文。

一、嵌入模型的基础与挑战

文本嵌入模型的核心价值在于其能捕捉文本的语义信息。在RAG系统中，嵌入模型用于三步检索过程：

1. 为知识库中的所有项目计算向量表示（即嵌入）。
2. 将输入文本（如用户查询）转换为相同模型的向量表示。
3. 计算查询向量与知识库项的相似度，返回最相似项目。

尽管这一过程灵活高效，但存在根本问题：语义相似并不保证检索项目能有效回答问题。

例如，查询“如何更新我的付款方式？”可能返回相似但不相关的响应：“要查看您的付款历史记录，请访问账单部分”。

这种不匹配在特定领域（如AI招聘）更突出，因为通用模型无法充分理解领域术语（如“扩展”或“实例”的特定含义）。

二、微调的核心原理：对比学习

微调通过对比学习（Contrastive Learning, CL）解决上述问题。CL的核心思想是学习表示，以最大化正样本对（如相关查询和答案）的相似度，同时最小化负样本对（如不相关配对）的相似度。这种方法不需要手动标注数据，而是利用数据固有结构（如元数据）自动整理正负对，从而实现大规模高效训练。

对比学习的关键优势包括：

• ​​数据效率​​：正负对可从无标签数据自动生成（如网络图像元数据），减少人工成本。
• ​​损失函数设计​​：CL使用特定损失函数（如CLIP中的损失）同时优化正负样本相似度，确保嵌入空间对齐。

在微调中，CL通过最小化相关对嵌入距离并最大化不相关对距离，使模型更好地区分有用和无用结果。例如，在AI招聘中，微调可确保查询“数据科学家经验”匹配到相关职位描述，而非语义相似但不相关的条目。

三、微调嵌入模型的五步实践流程

微调过程可分为五个关键步骤，每一步需仔细执行以确保效果。我以AI招聘信息匹配为例，详细说明每个步骤的实施方法。该示例目标是将求职者查询与职位描述（JD）精准匹配。

步骤1: 收集正负样本对

这是最关键且耗时的步骤，需要高质量数据准备。在AI招聘示例中，我们从Hugging Face数据集提取职位描述，生成合成查询，并清理数据以移除无关部分（如超过512令牌的文本）。具体流程：

• 加载数据集：使用Hugging Face的linkedin_job_listings数据集，提取标题和描述。
• 生成查询：借助GPT-4o-mini创建类似人类的搜索查询（如“数据科学家6年经验，LLM背景”），确保查询真实反映求职者意图。
• 清理数据：删除JDs中无关资格部分，避免模型处理超长文本。
• 创建正负对：正样本对由清理后的JDs和合成查询组成；负样本对通过预训练模型计算相似度后，选择最不相似的JDs生成，确保唯一性。
• 数据分割：将数据划分为训练集（80%）、验证集（10%）和测试集（10%），并上传至Hugging Face Hub便于访问。

最终数据集包含1012个清理JDs，确保正负对平衡。

步骤2: 选择预训练模型

选择合适的预训练模型是微调基础。我们评估多个模型（如sentence-transformers/all-mpnet-base-v2和sentence-transformers/all-distilroberta-v1），使用验证集计算准确率。评估器基于三元组（查询、正JD、负JD）设计：

• 导入模型并编码JDs。
• 计算相似度，通过TripletEvaluator评估准确率。 在AI招聘案例中，all-distilroberta-v1在验证集上初始准确率最高（88.1%），因此选为微调起点。

步骤3: 选择损失函数

损失函数选择取决于数据格式和任务目标。在AI招聘中，我们使用MultipleNegativesRankingLoss，因为它适合（锚点、正值、负值）三元组格式，能有效优化对比学习。损失函数通过最小化正样本距离、最大化负样本距离，提升模型区分能力。

步骤4: 微调模型

微调涉及定义训练参数并执行训练：

• 参数设置：epochs=1, batch_size=16, learning_rate=2e-5。对比学习受益于大batch size和无重复采样（使用NO_DUPLICATES采样器）。
• 训练执行：利用SentenceTransformerTrainer封装训练流程，包括数据集加载、损失应用和评估回调。训练中监控验证集性能，防止过拟合。 在实际项目中，微调后模型验证准确率显著提升至99%。

步骤5: 评估模型

评估基于测试集进行，确保模型泛化能力：

• 计算准确率：使用TripletEvaluator测试三元组匹配，AI招聘测试集准确率达100%。
• 推理应用：将微调模型部署至Hugging Face Hub，便于新查询嵌入和相似度计算（如编码查询“数据科学家6年经验，LLM，信用风险”并匹配JDs）。

最后再补充一个知识点，如果你对向量数据库不是很了解，我这里还整理了一个关于向量数据库知识文档，粉丝朋友自行领取：《适合初学者且全面深入的向量数据库》

四、作者结语

微调嵌入模型是提升特定领域任务性能的有效策略，尤其适用于像AI招聘这样的场景，其中通用模型无法捕捉领域细微差别。通过对比学习和五步流程（数据收集、模型选择、损失函数、训练和评估）可高效定制嵌入模型。好了，今天的分享就到这里，点个小红心，我们下期见。