在使用 Langchain 的 FAISS 向量数据库和 BGE embedding 模型进行相似度搜索时，即使查询语句存在于向量库中，相似度得分也可能偏低。本文将探讨可能的原因，并提供使用 OpenAI embeddings 作为替代方案的示例代码，帮助开发者提升相似度搜索的准确性。
问题分析
使用 Langchain 的 FAISS 结合 HuggingFace BGE 模型进行语义相似度搜索时，得到的结果相似度得分较低，即使查询语句完全匹配数据库中的内容。这通常涉及以下几个方面：
- Embedding 模型选择： BGE 模型可能在特定领域或数据集上表现不佳。不同的 embedding 模型具有不同的训练数据和架构，适用于不同的任务。
- 距离度量方式： FAISS 默认使用 L2 距离，而某些 embedding 模型可能更适合使用余弦相似度。虽然代码中设置了 normalize_embeddings=True，但实际效果可能受到模型本身实现的影响。
- 数据预处理： 文本数据预处理（如分词、去除停用词等）可能会影响 embedding 的质量。
- FAISS 索引参数： FAISS 索引的构建参数（如 nlist, nprobe）可能会影响搜索的准确性和效率。
解决方案
以下提供一种使用 OpenAI embeddings 作为替代方案的示例，并对比结果：
示例代码：
from langchain.document_loaders import TextLoader
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.text_splitter import CharacterTextSplitter
from langchain.vectorstores import FAISS
# 初始化 OpenAI embeddings (需要配置 OpenAI API Key)
embeddings = OpenAIEmbeddings()
# 加载文本数据
loader = TextLoader("./text.txt", encoding="utf-8") # 替换为你的文本文件路径
documents = loader.load()
# 构建 FAISS 索引
db = FAISS.from_documents(documents, embeddings)
# 查询语句
query = '无纸化发送失败?'
# 执行相似度搜索
res = db.similarity_search_with_score(query, k=3)
# 打印结果
print(res)
query2 = '纸化发送失败?'
res2 = db.similarity_search_with_score(query2, k=3)
print(res2)代码解释：
- OpenAIEmbeddings()： 初始化 OpenAI 的 embedding 模型。你需要设置 OPENAI_API_KEY 环境变量。
- TextLoader()： 加载包含文本数据的文件。请确保文件编码为 UTF-8。
- FAISS.from_documents()： 使用加载的文档和 OpenAI embeddings 构建 FAISS 索引。
- db.similarity_search_with_score()： 执行相似度搜索，返回最相似的 k 个文档及其得分。
预期结果：
对于完全匹配的查询，使用 OpenAI embeddings 应该能得到更高的相似度得分（接近 0，因为 FAISS 默认使用 L2 距离，0 代表完全匹配）。
注意事项：
- OpenAI API Key： 使用 OpenAI embeddings 需要有效的 OpenAI API Key，并确保你的账户有足够的额度。
- 距离度量： FAISS 默认使用 L2 距离。如果使用余弦相似度，可以在构建索引时指定。
- 文本预处理： 根据实际情况进行文本预处理，如去除停用词、标点符号等，以提高 embedding 的质量。
- 模型选择： 根据你的应用场景和数据特点，选择合适的 embedding 模型。可以尝试不同的模型，并比较它们的性能。
- 数据切分： 使用 CharacterTextSplitter 等工具将长文本切分成更小的块，可以提高搜索的准确性。
总结
当使用 Langchain FAISS 进行相似度搜索时，如果遇到相似度得分偏低的问题，可以从 embedding 模型选择、距离度量方式、数据预处理和 FAISS 索引参数等方面进行排查和优化。尝试使用不同的 embedding 模型，如 OpenAI embeddings，并根据实际情况调整参数，可以有效提高相似度搜索的准确性。同时，注意文本预处理和数据切分，以获得更好的效果。
