微信扫码
添加专属顾问
我要投稿
探索RAG检索系统的核心利器,领略Embedding模型和Rerank模型的巧妙运用。核心内容:1. Embedding模型与Rerank模型在RAG系统中的角色与功能2. 两大模型在自然语言处理和信息检索中的应用与区别3. 技术实现细节对比,包括功能目标、应用阶段和技术特点
“ Embedding和Rerank模型是RAG系统中的核心模型。”
在RAG系统中,有两个非常重要的模型一个是Embedding模型,另一个则是Rerank模型;这两个模型在RAG中扮演着重要角色。
Embedding模型的作用是把数据向量化,通过降维的方式,使得可以通过欧式距离,余弦函数等计算向量之间的相似度,以此来进行相似度检索。
而Rerank的作用是在Embedding检索的基础之上,进行更加准确的数据筛选;如果说Embedding模型进行的是一维筛选,那么Rerank模型就是从多个维度进行筛选。
Embedding模型和Rerank模型
在自然语言处理和信息检索系统中,Embedding模型和Rerank模型是两类功能不同但常结合使用的技术。
Embedding和Rerank模型都是基于深度学习方式实现的神经网络模型,但由于其功能不同,因此其实现方式和训练方法也有一定的区别。
从使用的角度来看,Embedding一般用于数据向量化并快速检索,而Rerank模型是在快速检索的基础之上进行重排序,提升相似度。
但从技术实现的角度来说,两种模型使用的学习方式和架构是不一样的;原因就在于两个模型的实现目的和处理数据的方式。
它们的核心区别在于目标、应用阶段和技术实现。以下是详细对比:
维度 | Embedding模型 | Rerank模型 |
---|---|---|
核心任务 | ||
输出形式 | ||
关注点 |
Embedding模型:将“如何训练神经网络?”转换为向量,用于检索相似问题。
Rerank模型:对初步检索的100个答案排序,将最相关的答案排到前3。
维度 | Embedding模型 | Rerank模型 |
---|---|---|
所处流程 |
检索阶段 |
精排阶段 |
数据规模 | ||
性能要求 |
Embedding模型:用于搜索引擎的初步召回(如从10亿文档中筛选出Top 1000)。
Rerank模型:在推荐系统中对Top 100结果精细化排序,提升点击率。
维度 | Embedding模型 | Rerank模型 |
---|---|---|
模型类型 | ||
输入输出 | ||
特征依赖 |
Embedding模型:
通用语义编码:BERT、RoBERTa
专用场景:DPR(Dense Passage Retrieval)
Rerank模型:
传统方法:BM25 + 特征工程
深度模型:ColBERT、Cross-Encoder
53AI,企业落地大模型首选服务商
产品:场景落地咨询+大模型应用平台+行业解决方案
承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-10-27
2024-09-04
2024-05-05
2024-07-18
2024-06-20
2024-06-13
2024-07-09
2024-07-09
2024-05-19
2024-07-07
2025-05-08
2025-05-05
2025-04-30
2025-04-29
2025-04-29
2025-04-26
2025-04-25
2025-04-22