论文地址:

1. ACM：https://dl.acm.org/doi/10.1145/3394486.3403305

2. arXiv：https://arxiv.org/abs/2006.11632

这是一篇Applied Data Science Track Paper，非Research Track Paper，侧重于工业界技术的落地。

从标题可以看出，论文介绍了Facebook（以下简称FB）的向量召回技术，也就是Embedding-Based Retrieval（EBR）。让我们开始吧，祝开卷有益！

1. 预备知识

首先，搜索引擎的匹配策略按照查询关键词（Query）是否完全命中文档（Document，以下简称doc），可以分为两大类：term matching（以下译作文本匹配）与semantic matching（语义匹配）。

文本匹配，能够做到完全精确的匹配（Exact Match）。如果是中文，通常先对query进行分词，得到更细粒度的词（Term）；再用term去检索doc，term出现于doc则命中；然后取各个term检索结果的交集返回。

我之前看过一点《Introduction to Information Retrieval》，它的第一章就在讲布尔召回（Boolean Retrieval），正是上面这一套传统的做法。如果本文点赞破100，我就是不吃不喝也要啃完这部经典，与诸君交流分享。

语义匹配，不再追求完全精确的匹配，而是力图满足用户的搜索意图（Search Intent），也就是意会。用户输入的query，只是Ta搜索意图的一种表达形式而已，比如“美国前总统”、“唐纳德・特郎普”、“川普”都是“懂王”。要表示用户意图，就用到了本文的主角embedding，一种用稠密向量（Dense Vector，没有特殊说明，后文的向量都指稠密向量）来表征对象的形式（Representation）。然后基于query embedding与doc embedding来计算结果。

一个有趣的说法：万物皆可embedding。没那么高深，就是用向量来表示对象，然后用向量之间的计算来表示对象之间的关系。换个说法，如果你是一个丹青圣手，万物皆可入画，你可以用画中世界来反映现实世界。Embedding也是类似，不过是以它的方式来描摹这个世界。

按阶段划分，搜索引擎通常有两个大的步骤：召回（Retrieval）与排序（Ranking）。召回，算是一个比较生僻的词，新闻里偶尔报道“问题产品的召回”，搜索中召回是同样的意思，就是尽可能把涉及的相关的doc一个不漏找全了，宁抓错不放过，前文的两类匹配策略也可以说是召回策略；排序的话，就是在召回的基础上，把更相关的、更符合用户意图的doc排在更显眼的位置。

说到这儿，论文将要介绍的EBR应该比较清晰了：用embedding来表示query与doc，得到query embedding与doc embedding，将召回问题转化为向量空间中的最近邻搜索问题。

在搜索召回时应用EBR的一个挑战是：召回是万里挑一的工作，从海量的数据——上千万甚至亿级的doc中，找出成百上千相关的doc。这对于embeddings的训练与使用都是极其严峻的考验。

且看，FB是如何迎难而上的。

2. 本文工作

FB按照阶段划分了面临的挑战，并提出了不同的解决方案：

1. 建模（Modeling）。他们提出了unified embedding——一个双塔模型，一端是query，另一端是doc；

2. 服务（Serving）。针对多通道召回（EBR 与布尔召回）的问题，他们开发了一个混合召回框架；

3. 全栈优化。为了对整个搜索系统进行全面的优化，他们将embeddings 集成到了排序层，构造了一个数据闭环，以学习更好的embeddings。

上图是FB的EBR召回系统的概览，各位不妨先花两分钟研究一下，再继续往下看。

2.1 建模

搜索召回任务可以公式化为召回优化问题，即给定query、与query相关的doc全集

、模型召回的topK个结果 

，最大化：也就是，尽可能将相关的doc找全了。

前文提到EBR将召回问题转化为向量空间中的最近邻搜索问题，EBR模型返回的topK个结果就是“向量空间中，与query embedding‘距离’最近的doc embeddings表示的K个docs”。

建模的目的就在于：如何构造query embedding与doc embedding。在此，FB并没有太多的创新，使用了目前业界常用的双塔模型——用两个神经网络分别作为query与doc的编码器，如下所示。

与常规方法（仅文本进行编码）不同的是，他们在query侧与doc侧都加入了辅助特征，比如query侧加入了用户的位置、社交关系等，是为unified（大一统的） embedding。

值得注意的是，对于类别特征（Categorical Feature），他们的处理与文本一样，先做embedding，再将得到的特征向量输入编码器，同其他特征一起计算unified embedding。

从信息的视角来看，unified embedding的有效性高度依赖于添加的特征补充的信息量。

文章简要介绍了几点特征工程的工作：

1. 文本特征：通过char n-gram补充了subword信息；

2. 位置特征：在query侧，补充了搜索发起者的城市、地域、国家、使用语言；在document侧，补充了开放性的位置信息，比如群组的位置；

3. 社交embedding特征：为了更好地利用社交网络信息，基于社交图谱训练了一个embedding模型。

2.2 训练

训练使用的损失函数则是一个三元（Triplet）的间隔损失（Margin Loss）：

其中，

、

、

 分别表示query、与query相关的doc（正样本）、不相关的doc（负样本），

是距离函数，

则是间隔（Margin）。

距离函数与相似度函数是一组相对的概念。作者使用常规的余弦相似度（Cosine Similarity）来度量query embedding与doc embedding的相似度：

因此，距离函数

。

根据作者们的说法，损失函数中，

的选择很重要，会导致5-10%的离线召回偏差。

此外，训练样本的选择对于训练效果同样至关重要。本文的做法是，对于负样本，使用随机样本而不是展现未点击的样本。

这一点，有数据的支撑——使用展现未点击样本的召回效果明显更差。不过也很好理解：模型工作在召回层，召回的目的是海量样本中找全相关的样本。使用随机样本，召回候选集是全体样本，能够模拟真实自然的召回过程；而使用展现未点击样本，召回候选集是既有召回算法过滤后的、是有偏的，将导致模型习得的embeddings也是有偏的，无法习得未展现样本的特征。

至于正样本的选择，文章实验了点击样本与展现样本，在数据量相当的情况下，两种策略的效果相近。

2.3 线上服务

2.3.1 近似近邻搜索

向量召回的线上服务主要依赖于近似近邻搜索算法（Approximate Near Neighbor，ANN）来建立倒排索引。这一技术方案的优点在于：

1. 向量量化（Quantization of embedding vectors）使得存储的成本更低；

2. 保留了倒排索引，易于集成到当前的检索系统中。

具体的实现则依赖于FB自家的Faiss。

向量量化有两大组件：Coarse Quantization（CQ）和Product Quantization（PQ），前者主要使用K-means将向量转成相对粗糙的聚类，后者则通过更加精细的量化来支持高效的距离计算。

CQ、PQ都有一些算法以及参数可供选择与调整（统称ANN的参数调整），对此感兴趣的同学可以去看原文或Faiss的Wiki。以下是几点tricks：

1. 参数调整时，以召回率/扫描的文档数为指标，比如recall@10；

2. 最后再调整ANN的参数，或者说一旦向量召回的模型重大变更，ANN的参数务必重新调整；

3. 务必尝试OPO（PQ的一种算法）；

4. 将pq_bytes（PQ算法的一项参数，指定了字节数）设为d/4（d是向量的维数）；

5. 以线上实验效果为准，调整nprobe（决定了将为query_emb分配的聚类数），num_clusters，pq_bytes，从而更好地去理解它们对真实性能的影响。

2.3.1 系统实现

在集成向量召回之前，让我们先来简单地看一看FB原来的检索系统（被称为Unicorn，独角兽）是怎样的。

以bag of terms来表示一篇doc，term并不限于文本，而是可以表征任意的二值属性，比如“北京的赵喧典”拥有的属性就包括“text:赵喧典”和“location:北京”。

类似地，以上述形式来表示一个query，比如“北京或浙江的赵喧典”，它的布尔表达式就是(and (or (term location:北京)(term location:浙江)) (term text:赵喧典))。利用布尔召回，将返回所有使得表达式为真的doc。

为了支持向量召回，检索系统为每一篇doc添加了额外的embedding字段。考虑到不同模型的向量召回，一篇doc可以绑定多个embedding，以不同的<model>作为区分。相应地，在query侧增加了形如(nn <model> :radius <radius>)的算子，表示doc需要满足在<model>向量空间中，doc_emb与query_emb的余弦距离小于<radius>。

上例中，“北京或浙江的赵喧典”，在追加向量召回通道之后，其布尔表达式就变为了：

(and(or (term location:北京) (term location:浙江))(or (term text:赵喧典) (nn M1 :radius 0.2333))
)

此处，FB的工程师们对比过按距离召回与按TOP K召回两种形式。前者在系统性能与召回结果的质量之间能取得更好的平衡，因为它对于搜索半径以及近邻的相似性都有所限制。

此外，为了提高向量召回的效率与质量，使用了query selection和index selection。

1. 所谓query selection，就是有选择性地触发向量召回，对于向量召回不的，比如搜索意图与模型训练的初衷不同的，或者过于简单的query，比如用户刚刚搜索过或点击过的，不进行向量召回。

2. 所谓index selection，实际上是构建倒排索引时，只使用月活用户而不是全部用户，近期的事件，热门群组等。

通过上述描述，我们能够知道，在双塔模型训练完毕之后，query embedding模型与doc embedding模型是分开使用的，这也是业界对双塔模型的常规使用方式。具体地，query_emb是在线实时推断的，而doc embedding模型是离线部署的，批量地为各个doc生成embedding，并发布到Faiss中。

2.4 其他

2.4.1 整体优化与训练闭环

考虑到既有的排序算法是为非向量召回的结果设计的，其排序结果对于向量召回通道的结果可能是次优的。FB的工程师们提出了以下两点解决思路：

1. 向量召回的embedding作为排序算法的特征。具体地，就是将向量相似度，或者向量召回模型吐出的原始向量透传给排序算法。实验表明，在FB的搜索场景下，透传余弦相似度对排序算法的提升最佳。

2. 训练数据反馈闭环。相对于文本召回，向量召回提高了召回率（recall），但是精准率（precision）有所不如。财大气粗的FB引入了人工评估——将向量召回的结果落日志，人工评估召回结果的相关性，并用人工标注的结果重新训练模型，真正形成数据的闭环。

2.4.2 Hard Mining

因为诸如文本召回、向量召回以及其他不同召回技术的混合使用（多通道召回），使得召回结果的数据分布极其多样。这对于向量召回模型的训练是一个不小的挑战——embedding的学习更加困难。

Hard mining是信息检索领域进行数据挖掘、构造合适训练集的技术的统称。

本文研究探讨了两类hard mining技术：

1. Hard negative mining。分析发现：当用户搜索人名时，同名情况下，向量召回模型没有充分利用样本的社交特征。这很可能是因为以随机样本作为负样本，负样本都是异名的，模型只需要关注文本特征即可。因此，工程师们提出使用与正样本更加相似的样本作为负样本来训练模型。

2. 1. Online hard negative mining（此处的online并非线上服务的意思，而是训练时构造hard negative samples的意思）。具体的做法是，对于一个query，维护了一个正样本的池子，训练时，使用与当前正样本最相似的2条作为负样本（该数量来自于实验观察），并补充上随机负样本。

   2. 1. 优点：带来了相当显著的召回率的提升；

      2. 缺点：拥有hard negative样本的比例相对随机负样本而言，很低。

   3. Offline hard negative mining（训练前，在构造训练样本时挖掘hard negative样本）。具体的做法是，先利用某一算法（KNN、ANN）得到与query最相似的N个doc，再基于一个基于业务特点的挑选策略选择若干负样本，然后对模型进行迭代训练。挑选负样本-模型迭代，是一个不断迭代的过程。以下是几点实验洞察：

   4. 1. 简单地用困难负样本训练的模型比随机负样本还差。分析发现，前者为非文本特征赋予了过多的权重，在文本匹配能力上差于后者；

      2. 挑选排序模型输出的位置在100->500（适合）的doc作为负样本，模型召回效果最佳；

      3. 保留随机负样本是极其必要的，它还原了召回的自然过程。可供参考的两种混合机制：1、混合随机样本与困难负样本，FB的最佳实践比例是100:1；2、迁移学习，先难后易，反之低效；

      4. 使用KNN来生成困难样本候选集的时间成本太高，可以直接上ANN。

3. Hard positive mining。上文提到，使用点击样本或展现样本作为正样本的效果相似；而此处的做法是，从搜索日志中挖掘未展现的正样本。有效，但是想来成本是相当高的。

2.4.3 Embedding Ensemble

Embedding Ensemble类似于model ensemble，就是集成多个不同的向量召回模型。在前文的介绍中，不同模型将关注到不同的特征，比如完全使用随机负样本的模型将更关注文本特征、召回能力更强，而使用困难负样本的模型的精准率更高、对排序更友好，因此embedding ensemble是一个自然能想到的优化的步骤。

是故，文章提出了多阶段召唤的方法：第一步关注扩召回，第二步在第一步的基础上关注区分相似的召回结果。并且，提供了两种思路：

1. Weighted concatenation：

2. 1. 实际上该方式只有一步，以加权求和的方式对不同模型算得的余弦相似度进行汇总，作为query与doc最终的相似度，再取最相似的作为召回结果。

   2. 线上服务时，为了服务性能，将先计算余弦相似度再加权求和的方式，近似地变形为先拼接向量再计算且只计算一次余弦相似度。

   3. 因此，操作流程就是，不同向量加权拼接，以拼接后的向量在Faiss中进行查询。

3. 瀑布模型：

4. 1. 第一步使用简易的召回模型，可以是完全使用随机负样本训练的模型，甚至是text embedding而非unifed embedding，目的是触达更海量的候选集，不遗漏；

   2. 第二步使用精细一些的模型，比如使用离线困难负样本训练的模型，或者使用unified embedding代替text embedding，此时的目的是做一个类似rerank的动作，重新评估第一步得到的候选集中的doc与query的相似度，再按预设的召回量取TOP N条结果。

3. 尾声

我在半年前看完这篇论文，一直想写这篇笔记，与诸君交流，但总是写写停停；半年后，我有了更多的工作积累，这篇文章反而读厚了：刚毕业那会儿，我大概只能看到建模与训练部分，现在也会关注serving以及其他的工程实践。

原文真是一篇相当nice的论文，强烈建议翻一翻原文！