導(dǎo)讀：大家好，我是申站，知乎搜索團(tuán)隊(duì)的算法工程師。今天給大家分享下知乎搜索中文本相關(guān)性和知識(shí)蒸餾的工作實(shí)踐，主要內(nèi)容包括：

知乎搜索文本相關(guān)性的演進(jìn)

BERT在知乎搜索的應(yīng)用和問題

知識(shí)蒸餾及常見方案

知乎搜索在BERT蒸餾上的實(shí)踐

01

知乎搜索文本相關(guān)性的演進(jìn)

1. 文本相關(guān)性的演進(jìn)

我們首先來介紹下知乎搜索中的文本相關(guān)性。在搜索場(chǎng)景中，文本相關(guān)性可以定義為?戶搜索query的意圖與召回 doc 內(nèi)容的相關(guān)程度。我們需要通過不同模型來對(duì)這種相關(guān)程度進(jìn)行建模。整體而言，文本的相關(guān)性一般可以分為兩個(gè)維度，字面匹配和語義相關(guān)。知乎搜索中文本相關(guān)性模型的演進(jìn)也是從這兩個(gè)方面出發(fā)并有所側(cè)重和發(fā)展。在知乎搜索的整個(gè)架構(gòu)中，文本相關(guān)性模型主要定位于為二輪精排模型提供更高維/抽象的特征，同時(shí)也兼顧了一部分召回相關(guān)的工作。

2. Before NN

知乎搜索中的文本相關(guān)性整體演進(jìn)可以分為三個(gè)階段。在引入深度語義匹配模型前，知乎搜索的文本相關(guān)性主要是基于TF-IDF/BM25的詞袋模型，下圖右邊是BM25的公式。詞袋模型通常來說是一個(gè)系統(tǒng)的工程，除了需要人工設(shè)計(jì)公式外，在統(tǒng)計(jì)詞的權(quán)重、詞頻的基礎(chǔ)上，還需要覆蓋率、擴(kuò)展同義詞，緊密度等各種模塊的協(xié)同配合，才能達(dá)到一個(gè)較好的效果。知乎搜索相關(guān)性的一個(gè)比較早期的版本就是在這個(gè)基礎(chǔ)上迭代的。右下部分為在基于詞袋模型的基礎(chǔ)上，可以參考使用的一些具體特征。

3. Before BERT

基于 BM25 的詞袋模型不管如何設(shè)計(jì)，主要還是只解決文本相關(guān)性中的字面匹配這部分問題。第二階段引入的深度語義匹配模型則聚焦于解決語義相關(guān)的問題，主要分為兩部分：雙塔表示模型和底層交互模型。微軟的DSSM（左下）是雙塔模型的典型代表。雙塔模型通過兩個(gè)不同的 encoder來分別獲取query和doc的低維語義句向量表示，然后針對(duì)兩個(gè)語義向量來設(shè)計(jì)相關(guān)性函數(shù)（比如cosine）。DSSM擺脫了詞袋模型復(fù)雜的特征工程和子模塊設(shè)計(jì)，但也存在固有的缺陷：query和doc的語義表示是通過兩個(gè)完全獨(dú)立的 encoder 來獲取的，兩個(gè)固定的向量無法動(dòng)態(tài)的擬合doc在不同 query的不同表示。這個(gè)反應(yīng)到最后的精度上，肯定會(huì)有部分的損失。

底層交互模型一定程度上解決了這個(gè)問題。這個(gè)交互主要體現(xiàn)在 query 和 doc term/char 交互矩陣（中）的設(shè)計(jì)上，交互矩陣使模型能夠在靠近輸入層就能獲取 query 和 doc 的相關(guān)信息。在這個(gè)基礎(chǔ)上，后續(xù)通過不同的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)來實(shí)現(xiàn)特征提取得到 query-doc pair 的整體表示，最后通過全連接層來計(jì)算最終相關(guān)性得分。Match-Pyramid（右下）、KNRM（右上）是交互模型中比較有代表性的設(shè)計(jì)，我們?cè)谶@兩個(gè)模型的基礎(chǔ)上做了一些探索和改進(jìn)，相比于傳統(tǒng)的 BM25 詞袋模型取得了很大的提升。

4.BERT

BERT模型得益于 transformer 結(jié)構(gòu)擁有非常強(qiáng)大的文本表示能力。第三階段我們引入了 BERT希望能夠進(jìn)一筆提高知乎搜索中文本相關(guān)性的表型。BERT 的應(yīng)用也分為表示模型和交互模型。

對(duì)于交互模型來說，如下左圖，query和doc分別為sentence1和sentence2直接輸入到BERT模型中，通過BERT做一個(gè)整體的encoder去得到sentence pair的向量表示，再通過全連接層得到相似性打分，因?yàn)槊總€(gè)doc都是依賴query的，每個(gè)query-doc pair都需要線上實(shí)時(shí)計(jì)算，對(duì)GPU機(jī)器資源的消耗非常大，對(duì)整體的排序服務(wù)性能有比較大的影響。

基于上述原因，我們也做了類似于DSSM形式的表示模型，將BERT作為encoder，訓(xùn)練數(shù)據(jù)的中的每個(gè)query和doc在輸入層沒有區(qū)分，都是做為不同的句子輸入，得到每個(gè)句向量表示，之后再對(duì)兩個(gè)表示向量做點(diǎn)乘，得到得到相關(guān)度打分。通過大量的實(shí)驗(yàn)，我們最終采用了 BERT 輸出 token 序列向量的 average 作為句向量的表示。從交互模型到表示模型的妥協(xié)本質(zhì)是空間換時(shí)間，因?yàn)閐oc是可以全量離線計(jì)算存儲(chǔ)的，在線只需要實(shí)時(shí)計(jì)算比較短的 query ，然后doc直接通過查表，節(jié)省了大量的線上計(jì)算。相比于交互模型，精度有一部分損失。

02

BERT在知乎搜索的應(yīng)用和問題

1.搜索業(yè)務(wù)架構(gòu)中的BERT

在下圖中我們可以看到，BERT在知乎搜索業(yè)務(wù)的召回和排序階段都扮演了比較重要的角色。交互模型的主要服務(wù)于二輪精排模型，依賴于線上實(shí)時(shí)的計(jì)算query和doc，為精排模塊提供相關(guān)性特征。表示模型又分為在線和離線兩塊，在線表示模型實(shí)時(shí)的為用戶輸入的query提供句向量表示，離線表示模型為庫中的doc進(jìn)行批量句向量計(jì)算。一方面，doc向量通過TableStore/TiDB 和Redis的兩級(jí)存儲(chǔ)設(shè)計(jì)，為線上排序做查詢服務(wù)；另一方面，使用 faiss 對(duì)批量doc 向量構(gòu)建語義索引，在傳統(tǒng)的 term 召回基礎(chǔ)上補(bǔ)充向量語義召回。

2. BERT表示模型語義召回

下面詳細(xì)介紹下我們的語義召回模型。首先看個(gè)例子，對(duì)于「瑪莎拉蒂 ghlib」這個(gè)case，用戶真正想搜的是「瑪莎拉蒂 Ghibli」這款車，但用戶一般很難記住完整的名稱，可能會(huì)輸錯(cuò)。在輸錯(cuò)的情況下，基于傳統(tǒng)的term匹配方式（Google搜索的例子）只能召回“瑪莎拉蒂”相關(guān)的 doc，而無法進(jìn)行這輛車型的召回，這種場(chǎng)景下就需要進(jìn)行語義召回。更通用的來說，語義召回可以理解為增加了字面不匹配但是語義相關(guān)的 doc 的召回。

語義召回模型整體是BERT 相關(guān)性任務(wù)中雙塔表示模型的一個(gè)應(yīng)用。BERT做為encoder來對(duì)query和doc進(jìn)行向量的表示，基于faiss對(duì)全量 doc 向量構(gòu)建語義索引，線上實(shí)時(shí)的用query向量進(jìn)行召回。這個(gè)策略上線后，線上top20 doc中語義召回doc數(shù)量占總召回 doc 數(shù)量的比例能到達(dá) 5%+。

3. BERT帶來的問題

BEER 模型上線后，為不同的模塊都取得了不錯(cuò)收益的同時(shí)，也給整個(gè)系統(tǒng)帶來了不少問題。這些問題整體可以歸結(jié)為線上實(shí)時(shí)計(jì)算、離線存儲(chǔ)、模型迭代三個(gè)方面。具體的見上圖。

4. 蒸餾前的嘗試

針對(duì)上述性能或存儲(chǔ)的問題，在對(duì)BERT 蒸餾之前，我們也進(jìn)行了很多不同的嘗試。

BERT 交互模型的部署放棄了使用原生TF serving，而是在cuda 的基礎(chǔ)上用c++ 重寫了模型的加載和serving，加上混合精度的使用。在我們的業(yè)務(wù)規(guī)模上，線上實(shí)時(shí)性能提高到原來的約 1.5 倍，使BERT交互模型滿足了的最低的可上線要求。在這個(gè)基礎(chǔ)上，對(duì)線上的 BERT 表示模型增加 cache，減少約 60% 的請(qǐng)求，有效減少了GPU 機(jī)器資源的消耗。

另一個(gè)思路是嘗試給BERT在橫向和縱向維度上瘦身。橫向上，一方面可以減小serving 時(shí) max_seq_length長(zhǎng)度，減少計(jì)算量；另一方面可以對(duì)表示向量進(jìn)行維度壓縮來降低存儲(chǔ)開銷。這兩種嘗試在離線和在線指標(biāo)上都有不同程度的損失，因此被放棄。縱向上，主要是減少模型的深度，即減少 transformer層數(shù)。這對(duì)于顯存和計(jì)算量都能得到顯著的優(yōu)化。前期嘗試過直接訓(xùn)練小模型，以及使用BERT-base若干層在下游的相關(guān)性任務(wù)上進(jìn)行fine-tune。這兩種方案，在離線指標(biāo)上的表現(xiàn)就沒法達(dá)到要求，因此也沒有上線。

針對(duì) doc數(shù)量過大，存儲(chǔ)開銷過大和語義索引構(gòu)建慢的問題。在這方面做了一個(gè)妥協(xié)的方案：通過wilson score 等規(guī)則過濾掉大部分低質(zhì)量的 doc，只對(duì)約 1/3 的doc 存儲(chǔ)表示向量和構(gòu)建語義索引。該方案會(huì)導(dǎo)致部分文檔的相關(guān)性特征存在缺失。對(duì)于表示模型存在的低交互問題，嘗試Poly-encoder（Facebook方案）將固定的 768維表示向量轉(zhuǎn)為多個(gè)head的形式，用多個(gè)head做attention的計(jì)算，保證性能在部分下降的前提得到部分精度的提升。

03

智知識(shí)蒸餾及常見方案

1.知識(shí)蒸餾

下面簡(jiǎn)單介紹下知識(shí)蒸餾。從下圖中看，我們可以把知識(shí)蒸餾的整體形式簡(jiǎn)化為：大模型不考慮性能問題盡量學(xué)習(xí)更多的知識(shí)（數(shù)據(jù)），小模型通過適量的數(shù)據(jù)去高效地學(xué)習(xí)大模型的輸出，達(dá)到一個(gè)知識(shí)遷移的效果。實(shí)際 serving 使用的是小模型。

知識(shí)蒸餾為什么能有效？關(guān)鍵點(diǎn)在于 soft target 和 temperature。soft target對(duì)應(yīng)的是teacher模型的輸出，類似于概率分布，知識(shí)蒸餾從hard target轉(zhuǎn)為soft target的學(xué)習(xí)有利于模型更好的去擬合標(biāo)簽，引入temperature則是為了進(jìn)一步平滑標(biāo)簽，讓模型去學(xué)習(xí)到類別和類別中的知識(shí)。這里需要注意的是，temperature 的選取不宜過大，太大的 temperature 會(huì)導(dǎo)致不同類別之間的差異被完全平滑掉。

2.BERT蒸餾方案

對(duì)與BERT的蒸餾我們做了大量的調(diào)研，并對(duì)目前主流的蒸餾方案做了歸納分類。基于任務(wù)維度來說，主要對(duì)應(yīng)于現(xiàn)在的pretrain + fine-tune 的兩段式訓(xùn)練。在預(yù)訓(xùn)練階段和下游任務(wù)階段都有不少的方案涉及。技巧層面來分的話，主要包括不同的遷移知識(shí)和模型結(jié)構(gòu)的設(shè)計(jì)兩方面。后面我會(huì)選兩個(gè)典型的模型簡(jiǎn)單介紹一下。

3. 蒸餾-MiniLM

MiniLM是基于預(yù)訓(xùn)練任務(wù)的蒸餾，其是一種通用的面向Transformer-based預(yù)訓(xùn)練模型壓縮算法。主要改進(jìn)點(diǎn)有三個(gè)，一是蒸餾teacher模型最后一層Transformer的自注意力模塊，二是在自注意模塊中引入 values-values點(diǎn)乘矩陣的知識(shí)遷移，三是使?了 assistant ?絡(luò)來輔助蒸餾。

4.蒸餾-BERT to Simple NN

BERT to Simple NN更多的是做了一些loss形式的設(shè)計(jì)，使其訓(xùn)練方式更高效。

04

知乎搜索再BERT蒸餾上的實(shí)踐

1.BERT蒸餾上的實(shí)踐和收益

前面的介紹中我有提到，在做 BERT蒸餾前其實(shí)已經(jīng)做了很多嘗試，但是多少都會(huì)有精度的損失。因此，我們做蒸餾的第一目標(biāo)是離線模型對(duì)?線上 BERT精度?損。但對(duì)BERT-base 直接進(jìn)行蒸餾，無論如何都沒辦法避免精度的損失，所以我們嘗試用更大的模型（比如BERT-large/Robert-large/XLNET）來作為 teacher 進(jìn)行蒸餾。這些多層的模型均在我們知乎全量語料先做pretrain，再做fine-tune，得到微調(diào)后的模型再做蒸餾。

2.蒸餾-Patient KD

我們對(duì)交互模型和表示模型都做了蒸餾，主要采用了Patient KD模型的結(jié)構(gòu)設(shè)計(jì)，Student模型基于BERT-base的若干層運(yùn)用不同的策略進(jìn)行參數(shù)的初始化，去學(xué)習(xí)Robert-large大模型的方案。

其中知識(shí)遷移主要有三部分：student的預(yù)測(cè)與真實(shí)標(biāo)簽的交叉熵、student與teacher的預(yù)測(cè)的交叉熵和中間隱層的向量之間的normalized MSE。

3.BERT交互模型蒸餾

對(duì)于我們選的teacher模型Robert-large，單純預(yù)訓(xùn)練模型其nDCG指標(biāo)為0.914，線上之前使用的BERT-base 是0.907，若對(duì)BERT-base的若干6層直接去做fine-tune能達(dá)到的最高指標(biāo)是0.903，對(duì)比于BERT-base精度會(huì)損失很多。

我們這塊做了一些嘗試，基于Robert-large從24層蒸餾到6層的話能到0.911，能超過線上BERT-base的效果。

訓(xùn)練數(shù)據(jù)方面，我們經(jīng)歷了點(diǎn)擊日志數(shù)據(jù)挖掘到逐漸建立起完善的標(biāo)注數(shù)據(jù)集。目前，相關(guān)性任務(wù)訓(xùn)練和蒸餾主要均基于標(biāo)注數(shù)據(jù)集。標(biāo)注數(shù)據(jù)分為 title和 content兩部分，Query 數(shù)量達(dá)到 10w+ 的規(guī)模，標(biāo)注 doc 在 300w ~ 400w 之間。

4. BERT表示模型蒸餾

在BERT表示模型上，蒸餾時(shí)我們希望對(duì)向量維度和模型層數(shù)同時(shí)進(jìn)行壓縮，但蒸餾后得到的student模型表現(xiàn)不及預(yù)期。所以最后上線的方案中，表示模型層數(shù)還是維持了12層。在蒸餾時(shí)，為了提高精度，選取交互模型作為teacher進(jìn)行蒸餾。因?yàn)榻换ツＰ褪莙uery和doc之間的打分，交互模型得到的logits與表示模型點(diǎn)乘后的打分在數(shù)量值會(huì)有較大差值，所以用pairwise形式通過teacher差值擬合來進(jìn)行l(wèi)oss的計(jì)算。

在維度壓縮方面我們做了對(duì)比實(shí)驗(yàn)，BERT模型輸出做 average pooling 后接全連接層分別壓縮至8維到768維。如圖所示，128維和64維的表現(xiàn)跟768維差別不大，在上線時(shí)選擇維度為64和128進(jìn)行嘗試，兩者在線上表現(xiàn)沒有太明顯的差異，最終選擇了64維的方案，把模型的維度壓縮了12倍，存儲(chǔ)消耗更低。

5. 蒸餾的收益

蒸餾的收益主要分為在線和離線兩部分。

在線方面：

交互模型的層數(shù)從12層壓縮到6層，排序相關(guān)性特征P95減少為原本的1/2，整體搜索入口下降40ms，模型部署所需的GPU機(jī)器數(shù)也減少了一半，降低了資源消耗。

表示模型語義索引存儲(chǔ)規(guī)模title減為1/4，content維度從768維壓縮至64維，雖然維度減少了12倍，但增加了倒排索引doc的數(shù)量，所以content最終減為1/6，

語義索引召回也有比較大的提升，title減少為1/3，content減少為1/2。精排模塊需要線上實(shí)時(shí)查詢離線計(jì)算好的向量，所以查詢服務(wù)也有提升。

離線方面：

表示模型語義索引的構(gòu)建時(shí)間減少為1/4，底層知乎自研的TableStore/TIDB存儲(chǔ)減為原來的1/6，LTR訓(xùn)練數(shù)據(jù)和訓(xùn)練時(shí)間都有很大的提升，粗排早期用的是BM25等基礎(chǔ)特征，后來引入了32維的BERT向量，提升了精排精度。

責(zé)任編輯：xj

原文標(biāo)題：知乎搜索文本相關(guān)性與知識(shí)蒸餾

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。