RAG 修炼手册｜一文讲透 RAG 背后的技术

　　今天我们继续剖析 RAG，将为大家大家详细介绍 RAG 背后的例如 Embedding、Transformer、BERT、LLM 等技术的发展历程和基本原理，中国向量数据库以及它们是如何应用的。

　　01.什么是 Embedding?

　　Embedding 是将离散的非结构化数据转换为连续的向量表示的技术。

　　在自然语言处理中，Embedding 常常用于将文本数据中的单词、句子或文档映射为固定长度的实数向量，使得文本数据能够在计算机中被更好地处理和理解。通过 Embedding，每个单词或句子都可以用一个实数向量来表示，这个向量中包含了该单词或句子的语义信息。这样，相似的单词或句子就会在嵌入空间中被映射为相近的向量，具有相似语义的词语或句子在向量空间上的距离也会较近。这使得在进行自然语言处理任务时，可以通过计算向量之间的距离或相似度来进行词语或句子的匹配、分类、聚类等操作。

　　Word2Vec

　　Word2Vec 是 2013 年由谷歌提出了一套词嵌入方法。Word2vec 是 Word Embedding 方式之一，这种方式在 2018 年之前比较主流。Word2Vec 作为词向量的经典算法之一，被广泛应用于各种自然语言处理任务。它通过训练语料库来学习单词之间的语义和语法关系，将单词映射到高维空间中的稠密向量。Word2Vec 的问世开创了将单词转化为向量表示的先河，极大地促进了自然语言处理领域的发展。

　　Word2vec 模型可用来映射每个词到一个向量，可用来表示词对词之间的关系。下图是展示一个 2 维的向量空间的例子（实际可能是比较高的维度）。

　　从图中可以看到，在这个 2 维空间内，每个 word 的分布有明显的特征。比如从 man到 woman，要加上一个向右上方向的向量，可以认为这个向量是一种“把男性转换到女性的向量”。如果把 king 也加上这个向量，可以得到 queen 的位置。在图中可以看到从 Paris 到 France 也有一种像是“从国家变为首都”的结构向量。

　　这一神奇的现象表明了向量在 embedding 内空间并不一是个杂乱无章随意的分布。在哪个区域表示哪些类别，区域和区域之间的差异，这些都有明显的特征。这样可以推出一个结论：向量的相似度代表的就是原始数据的相似度。所以向量的搜索实际上代表的就是原始数据的语义搜索。这样，我们就可以用向量搜索来实现很多语义相似搜索的业务。