【RAG】RAG性能提升之路-RAPTOR：一种构建递归文档树的增强检索方法-易微帮

背景

检索增强型语言模型（RALMs）在处理需要不断更新的知识和大量信息的文档时确实展现出了优势。然而，现有的方法在处理长篇文档时存在局限性，主要是因为它们通常只能检索较短的文本片段，这限制了对整体文档上下文的全面理解。在NLP中，长篇文档的检索和理解一直是一个挑战，因为传统检索方法往往难以有效处理长文档中的复杂结构和信息，可能导致检索结果不准确或遗漏关键信息。

为了解决这一问题，RAPTOR模型提出了一种创新的策略。它**通过递归地进行文本片段的向量化、聚类和摘要生成，构建了一个树状索引结构。**这种结构不仅捕捉了文档的高层次主题，还保留了低层次的细节，允许基于语义相似性而非仅仅是文本顺序对节点进行分组。这样的树状结构使得RAPTOR能够在不同的抽象层次上加载文档的上下文片段，从而有效地回答不同层次的问题。

方法

一、RAPTOR 树的构建

RAPTOR 树的构建是该模型的核心部分，通过递归的方式创建了一个多层次的树状结构，便于更好地理解和检索长文本信息。以下是 RAPTOR 树构建的步骤：

文本分块：
RAPTOR 首先将长文本分割成较短的、连续的文本块。每块文本的长度被限制在100个标记（tokens）以内。如果一个句子的标记数超过这个限制，它会完整地被移动到下一个文本块中，以保持语义的连贯性。
文本向量化：
使用SBERT（multi-qa-mpnet-base-cos-v1）对每个文本块进行embedding，生成文本的向量表示，这些嵌入向量将形成树结构的叶节点。
文本聚类：
通过文本聚类算法，将语义相似的文本块分组。RAPTOR 使用软聚类方法，允许文本块根据其语义相关性属于多个不同的聚类。聚类算法基于高斯混合模型（GMMs），并采用均匀流形近似和**投影（UMAP）**技术进行降维处理，以更好地捕捉文本数据的局部和全局结构。
- 软聚类（Soft Clustering）：与传统硬聚类不同，软聚类允许文本片段属于多个聚类，增加了灵活性。
- 高斯混合模型（Gaussian Mixture Models, GMMs）：假设数据点是从多个高斯分布的混合中生成的。
  对于给定的文本向量 ( x )，其属于第 ( k ) 个高斯分布的概率表示为：
  $\mathcal{N}(x; \mu_k, \Sigma_k)$
  其中 $\mathcal{N}$ 是多元高斯分布， $\mu_k$ 是均值向量， $\Sigma_k$ 是协方差矩阵。
  整体概率分布是一个加权组合：
  $\sum_{k=1}^{K} \pi_k \mathcal{N}(x; \mu_k, \Sigma_k)$
  
  $\pi_k$ 表示第 $k$ 个高斯分布的混合权重。
- 降维处理（Dimensionality Reduction）：
  由于向量嵌入的高维性，使用传统的距离度量可能在高维空间中表现不佳。采用 UMAP技术进行降维。
- 层次聚类结构：
  UMAP 中的最近邻参数 n 邻居决定了局部和全局结构的平衡。算法通过变化 n 邻居来创建层次聚类结构，首先识别全局聚类，然后在这些全局聚类内部执行局部聚类。
- 模型选择（Model Selection）：
  使用贝叶斯信息准则（Bayesian Information Criterion, BIC）来确定最优的聚类数量。
  - BIC 公式为：
    $\text{BIC} = \ln(N) \cdot k - 2 \ln(\hat{L})$
    其中 $N$ 是文本片段（或数据点）的数量， $k$ 是模型参数的数量， $\hat{L}$ 是模型似然函数的最大值。
小结：通过聚类算法，RAPTOR 能够有效地组织文本片段，形成具有不同层次的树状结构，从而在检索时能够提供更准确和全面的上下文信息。
文本摘要生成：
对于每个聚类，使用GPT-3.5生成该聚类的文本摘要。这些摘要随后被重新嵌入，形成树的上一层节点。

GPT使用的文本摘要prompt如下：
递归构建：
上述过程（3 聚类和 4 摘要生成）递归地重复执行，直到无法进一步聚类或达到预设的层数限制，从而构建出一个从底向上的多层次树状结构。在这个结构中，父节点包含子节点的文本摘要，而子节点是原始文本块或下一级的摘要。

树的深度和广度：
- 树的深度取决于文本的复杂性和长度，以及聚类过程何时变得不可行。
- 树的广度则取决于每个聚类中文本块的数量。

二、树的检索

构建好的 RAPTOR 树可以在推理时用于检索。有两种检索策略：树遍历和折叠树。树遍历逐层检索树，而折叠树则将所有层展平为单层进行检索。

上图展示了树遍历和折叠树检索机制的示意图。树遍历从树的根级别开始，根据与查询向量的余弦相似度检索顶层的 top-k (这里为 top-1) 节点。在每一层，它根据与查询向量的余弦相似度从上一层的 top-k 节点的子节点中检索 top-k 节点。这个过程一直重复，直到达到叶节点。最后，将所有选定节点的文本连接起来形成检索到的上下文。折叠树方法将整个树压缩成单一层，然后根据与查询向量的余弦相似度评估所有层的节点，直到达到设定阈值。

通过树检索信息的例子：

树遍历算法

初始化：从树的最底层（即叶子节点层）开始。
相似度计算：对于当前层中的每个节点，计算它与查询向量的余弦相似度。
选择Top-k节点：根据余弦相似度，选择每个层中与查询最相关的k个节点。
递归访问子节点：对于选定的节点，查看其子节点，并重复步骤2和3，直到达到树的根节点。
结果整合：将所有选定的节点文本进行拼接，形成检索到的上下文。

折叠树算法

树的扁平化：首先，将整个树结构扁平化为一个单一的节点集合，忽略节点之间的层级关系。
相似度计算：对于扁平化后的每个节点，计算它与查询向量的余弦相似度。
选择Top-k节点：根据余弦相似度，选择与查询最相关的k个节点。
限制Token数量：在添加节点到结果集中时，确保不超过模型输入限制的最大Token数量。
结果拼接：将选择的节点文本进行拼接，形成检索到的上下文。

小结：通过这种递归构建的树状结构，RAPTOR 能够将长篇文档分解成不同层次的摘要，从而在检索时提供更准确和全面的上下文信息，这对于处理需要综合多部分信息的复杂查询尤为重要。

实验

检索效率

RAPTOR 树构建成本与每个数据集的文档长度成线性比例。

对于最大长度为80,000个Tokens的文档，RAPTOR树的构建时间确实与文档长度成正比例关系。这意味着无论文档的实际内容如何，构建树所需的时间都会随着文档长度的增加而线性增加。
这种线性关系表明RAPTOR模型具有良好的可扩展性，能够高效地处理不同长度的文档。这一点非常重要，因为它确保了即使是较长的文档，RAPTOR也能够在合理的时间内完成索引结构的构建。

简易使用

设置LLM

import os
os.environ["OPENAI_API_KEY"] = "your-openai-api-key"

from raptor import RetrievalAugmentation

# Initialize with default configuration. For advanced configurations, check the documentation. [WIP]
RA = RetrievalAugmentation()

创建文档树

with open('sample.txt', 'r') as file:
    text = file.read()
RA.add_documents(text)

进行问答

question = "How did Cinderella reach her happy ending?"
answer = RA.answer_question(question=question)
print("Answer: ", answer)

保存文档树

SAVE_PATH = "demo/cinderella"
RA.save(SAVE_PATH)

加载文档树问答

RA = RetrievalAugmentation(tree=SAVE_PATH)
answer = RA.answer_question(question=question)

总结

综上所述，RAPTOR模型通过其递归抽象处理方法，有效地解决了现有方法在长篇文档检索中的局限。通过构建树状索引结构，RAPTOR不仅提升了对长篇文档的理解，还增强了检索的准确性和效率，为处理知识密集型任务提供了新的可能。

参考文献

paper：RAPTOR: RECURSIVE ABSTRACTIVE PROCESSING FOR TREE-ORGANIZED RETRIEVAL，https://arxiv.org/pdf/2401.18059
code：https://github.com/parthsarthi03/raptor

【RAG】RAG性能提升之路-RAPTOR：一种构建递归文档树的增强检索方法

背景

方法