能遵循instruction的句向量模型

1 简介

句向量技术是将连续的文本转化为固定长度的稠密向量，将句子映射到同一个向量空间中，从而应用到各种下游任务，例如分类，聚类，排序，检索，句子相似度判别，总结等任务，一种优异的句向量技术可以明显提升诸多下游任务的性能。关于如何利用语言模型输出文本的句向量，在21年底的时候写过一篇基于Bert的句向量文章，里面介绍了诸多种基于encoder-only的Bert相关方法Bert系列之句向量生成。

但是之前的句向量技术，泛化能力相对有限，当迁移到新任务或者新领域后，总需要进一步的训练才能保证效果。最近发现了一种新的句向量技术，在输入中加入跟任务跟领域相关的instruction，来指导语言模型生成适配下游任务的句向量，而不需要进行额外的训练，在MTEB榜单的表现可以媲美openai最新的text-embedding-ada-002模型。为了更好地理解Instructor，在这里梳理了Instructor的一个技术演化过程，从Sentence-T5到GTR，再到Instructor，这几种模型都在MTEB榜单上有不错的表现，有兴趣的读者可以自行查询。

2 Sentence-T5‍‍‍‍‍‍‍‍‍

Encoder-decoder结构的T5虽然在seq2seq的任务中表现优异，但是如何从T5中获取合适的句向量依旧未知。于是就有研究尝试了几种从T5中获取句向量的方式，具体如图所示，

a)Encoder-only first，利用T5 最后一层encoder第一个token的特征输出作为句向量。不同于Bert，T5模型没有CLS 的token。所以拿第一个token的输出来当句向量看起来就不靠谱。

b)Encoder-only mean，利用T5最后一层encoder所有token的特征输出平均值作为句向量。

c)Encoder-Decoder first，利用T5最后一层decoder的第一个token的输出作为句向量。为了获得这个token的输出，需要将input文本输入encoder，还需要将代表start的token喂给decoder。

图2: T5模型结构跟3种句向量变体

利用的前面提及的几种句向量变种可以获得固定长度的句子表征，在加上一个全连接层跟Normalization层就可以得到归一化的句向量。训练采用的是双塔模型结构，但是左右两边共用同一个模型跟参数。

图3: dual encoder结构

训练方法采用的是常见的对比学习，同一个batch内，希望同个instance（sentence1, sentence2）的两个相关句子之间的距离足够接近（分子部分），不同instance里的不相关句子之间的距离足够疏远。如果同个instance还有强不相关的sentence，也希望不相关的句子之间距离足够疏远。同时了，为了研究增加额外训练数据的影响，采用了两阶段的训练方式，第一个阶段现在通用领域的问答数据训练（Community QA）,第二阶段才在人工标注的数据（NLI）训练。

图4: 损失函数

部分实验结论

a)T5 Encoder-only mean的效果明显优于BERT系列，大部分数据集上也优于其余两种T5句向量变体，在更多数据上finetune能给模型带来巨大的提升，从而解决模型T5的句向量坍塌问题。（作者猜测encoder-decoder结构里，encoder更倾向于生成通用性的表征，更具泛化能力，而decoder更聚焦于针对下游任务优化。

b)在大部分任务上，增加T5模型的规模可以进一步提升性能。

c)除此之外，还发现了实验中训练过程使用了巨大的batch size，第一阶段的batch size是2048，第二阶段的batch size是512，远超simcse实验中的最佳参数配置64。

图5: Sentence T5实验效果对比

3 GTR‍‍‍‍‍‍‍‍

还是sentence T5的那批人，发现T5的encoder-only mean产生的句向量效果还不错后，就继续在这上面做进一步研究，进一步探索这种句向量模型在检索任务上的迁移能力。模型没变，训练数据把第二阶段换成了另外的检索相关的数据集，MS Macro(Bing的搜索数据)跟Natural Questions(常用于检索的问答数据集)。

训练方法虽然还是用的对比学习，但是具体计算过程跟simcse有所差异，由于每一个instance都包含(query, pos, neg)，pos跟neg分别是query对应的相关文档positive跟强不相关文档hard negative，对应的对比学习的损失由两部分，

a)同一个instance里的query跟pos是正样本，query跟同个batch里的所有neg之间都是负样本。

b)同一个instance里的pos跟query是正样本，pos跟同个batch里其他instance的query之间都是负样本。

部分实验结论

a)随着模型规模的增加，在领域外的性能提升明显，换言之，更大的模型具有更强大的泛化能力。同时，也发现GTR对于数据的利用非常高效，在MS Macro数据集上只使用10%的数据也能达到很不错的效果。

图6: GTR在BEIR榜的表现

b)做完两阶段训练的GTR强于只做第一阶段或者第二阶段训练的模型，在领域内跟领域外的表现都比较一致，随着模型规模增加也有一定的提升，同时也说明了第二阶段的高质量数据对于模型的帮助。

图7: 不同训练阶段的GTR效果对比（GTR- FT跟GTR- PT分别是只进行第二阶段跟第一阶段训练的模型）

c)随着模型规模的增加，召回的文档长度也有增加的趋势。

d)依旧巨大的batch size，两个阶段的训练batch size都是2048。

4 Instructor‍‍‍‍‍‍‍‍‍

目前的大模型，在给定instruction后会按照指令生成相应的内容，那么对于句向量模型而言，同样一句话，可以通过给定模型不同的instruction，让模型生成适合下游任务的句向量嘛？instructor就实现了这个设想。

图8: Instructor

Instructor采用了前面的GTR作为初始模型，训练方法也依旧保持，只是原本的模型接受文本作为输入，instructor同时接受instruction跟文本作为输入，从而生成符合指令的句向量

Instructor的训练数据是一个数据集集合MEDI，里面包含330个来自SuperNaturalInstructions的数据集跟30个现存的用于句向量训练的数据集。每个数据集都包括对应的instruction，数据集中的每个instance都是如下格式,

Instance = {“query”: [instruction_1, sentence_1],

“pos”:[instruction_2, sentence_2],

“neg”:[Instruction_2, sentence_3]}

如果是类似句子相似度的对称类任务，那就只有一个instruction，示例中的instruction_1跟instruction_2就是同一个，如果是类似检索的非对称任务，那么query跟doc都各有一个instruction，instruction_1跟instruction_2就是两个不同的instruction。Sentence_2表示是跟sentence_1相关的文本，而sentence_3则是不相关的文本。

通过这种数据集构造，可以保证每个instance都有自身的hard negative，以及同个batch内其他instance充当简单负样本。在训练过程过程，为了提高难度，会保证同个batch里所有instance都来自于同个数据集。

部分结论如下：

a)Instructor在三个榜单的平均表现最佳，在多个不同任务上的呈现出强大的通用能力。

b)加上instruction的模型训练，让模型在对称类任务跟非对称类任务上都取得明显提升。

c)训练数据加入了330来自SUPERNATURALINSTRUCTION数据集的多个instruction使得模型具备处理不同类型跟风格的instruction的能力，帮助模型更好的能泛化到新领域。同时，instruction的内容越详细丰富，instructor效果越好。

图9:三个榜单的模型表现比较

图10: instructor在新领域的表现

5 总结‍‍‍‍‍‍‍‍‍‍‍‍‍

instruction的引入，使得句向量模型能更好地迁移到新的任务跟领域，而不需要额外的训练。从Instructor的演化进程，不难看出从encoder-deocder模型中选择Encoder-only mean方法，生成的句向量效果明显优于Bert系列的方案，猜测这是由于其中的encoder更倾向于生成更通用的特征，而不是针对下游任务。同时也可以看到虽然还是沿用的对比学习方案，但是训练数据也逐渐从之前的（query，pos）pair对转换为(query, pos, neg)的三元组，通过设置较大的batch，既能保证训练难度，也能保证训练效率。

Instructor看起来还是蛮吸引人的，不由联想到语言模型的instruction tuning工作，有点异曲同工之意。本文提及的这三种方案是循序渐进的，虽然模型都已经开源，但遗憾的是都不支持中文。最近也看到一个中文的句向量开源方案，采用跟instructor类似的训练思路。

审核编辑：刘清