商品检索

传统商品检索需要依赖人工解析和构建商品的描述字段，将商品信息存入 ElasticSearch 或数据库。

• 然后通过分词查询结合多重条件（类别或其他属性）检索到匹配的商品。

但是在传统检索中，因为分词本身的特点，经常会遇到误匹配的问题。

例如：我们检索 苹果耳机的时候，往往会出现苹果和耳机的相关商品，导致客户体验效果不佳。

为了让检索更人性化，可以借助 RAG 技术，在传统分词搜索的基础上融入向量检索的能力。

• 从而获得更贴近人类需求的检索效果。

整体的实现思路：

数据准备：

• 解析文档中的商品信息。

数据切片：

• 商品信息按照一定规则进行切片。

向量化：

• 对切片信息进行向量化处理。

数据存储：

• 将商品信息及其向量信息存储到向量数据库。

数据检索：

• 将检索的内容进行向量化存储，利用向量数据库的向量检索能力召回最近似的商品切片信息。

重排序：

• 对于召回的数据利用重排序算法，按照相似度由高到低重新排序。

返回数据处理：

• 利用大模型解读排序后的商品切片信息，输出给用户。

数据准备：

可以这个文档来解析商品信息，也可以自己准备对应的数据。

示例数据：https://bcets.bj.bcebos.com/smzdm_product.pdf

数据切片：

使用百度千帆 Appbuilder 的文档解析组件来提取文档内容。

https://cloud.baidu.com/doc/AppBuilder/s/Nlqgd1hp2

DocParser支持 PDF、JPG、DOC、TXT、XLS、PPT 等 17 种文档内容的解析。

可解析得到文档内容、版式信息、位置坐标、表格结构等信息。

from appbuilder.core.components.doc_parser.doc_parser import DocParser
from appbuilder.core.message import Message
msg = Message(file_path)
parser = DocParser()
parse_result = parser(msg)
page_contents = parse_result.content.page_contents

PageContent 类型信息比较零散，需要手动合并内容：

chunk = []
for layout in doc.page_layouts:
    chunk.append(layout.text)
# 标题置顶
if doc.titles:
    chunk.insert(0, doc.titles[0].text)
# 若有表格
if doc.tables:
    pass
    
return "\n".join(chunk)

按页对数据进行合并，并添加元信息：

docs = []
metadata = []
for page_content in page_contents:
    result = merge_chunk(page_content)
    docs.append(result)
    metadata.append({"page": page_content.page_num + 1, "filename": file_path.split("/")[-1], "type": "pdf"}) ##获取内容文件元数据信息，方便追溯召回数据
return docs, metadata

这时提取的数据粒度比较粗，要获取更好的最终效果，可以考虑将切分后的数据传给大模型，进一步提炼和完善。

向量化和数据存储：

使用 千帆 Embedding-V1 模型 进行数据向量转化，并将转化后的数据写入 BES 集群 索引中。

注意传给模型的信息需要符合模型限制条件，通常文字长度更简短，语义更准确会有更好的向量检索效果：

参数中一次传入的文本数量不能超过 16 个。

每个文本长度不能超过 384 Tokens 且不能超过 1000 字符。

将文本切分成小于 Max_Tokens 的字符串数组，并确保每个切片有 Overlap_Ratio 的重叠：

overlap_size = int(chunk_size * overlap_ratio)
chunks = []
start = 0
while start < len(text):
    end = min(start + chunk_size, len(text))
    chunks.append(text[start:end])
    start += chunk_size - overlap_size
return chunks

调用 Embedding 模型将数据向量化，并存入 BES ：

text_slices = []
if text_tokens > 500:
    print(f"Notice: {text_tokens} tokens, too long. Splitting text...")
    text_slices = split_text_with_overlap(page_text)
else:
    text_slices = [page_text]

for slice_text in text_slices:
    resp = qianfan.Embedding().do(model="embedding-v1", texts=[slice_text]) ##使用千帆 SDK 请求 embedding-v1 模型
    data_list = resp.get('data', [])
    if data_list and isinstance(data_list[0], dict):
        embedding_info = data_list[0].get('embedding') ##获取 384 维的向量数据
        page_info = {
            "filename": file_path.name,
            "page_num": page_content.page_num+1,
            "text": slice_text,
            "embeddings": embedding_info
        }
        res = es.index(index="intellisearchproduct", body=page_info) ##调用 es 接口将数据写入对应索引，注意索引对应向量字段也得是 384 维
        #print(f"es write info: {page_info}\n,write result: {res}")

数据检索：

将客户查询的内容也转为向量数据。

input_text = request.json.get('input_text')
if not input_text:
    return jsonify({'error': 'Missing input_text parameter'}), 400
resp = qianfan.Embedding().do(model="embedding-v1", texts=[input_text])
data_list = resp.get('data', [])
if data_list and isinstance(data_list[0], dict):
    results = search_es(input_text, data_list[0].get('embedding'))
    if results:
        final_json = perform_source_tracking(input_text,results)
    else:
        return jsonify({'message': '未找到相关结果'})
else:
    return jsonify({'message': '向量转化接口异常，数据列表为空或格式不正确'})

return jsonify(final_json)

然后传给 BES 发起 向量检索 ，这里可以灵活构建聚合查询请求，比如配置常规查询与向量检索权重等，以提升检索效果。

以下是一个简单得查询示例：

    query_body = {
        "size": 3,
        "query": {
            "script_score": {
                "query": {
                    "match_all": {}
                },
                "script": {
                    "source": "bpack_knn_script",   
                    "lang": "knn",
                    "params": {
                        "k": 10,  ##查询的最近邻的数量
                        "ef": 20, ##通过ef参数指定在每个shard检索时的候选队列大小，用于平衡查询性能和召回率，等同于ES8的num_candidates参数
                        "space": "cosine",
                        "field": "embeddings",
                        "vector": embedding_text
                    }
                }
            }
        }
    }
    res = es.search(index="intellisearchproduct", body=query_body)
    docs = []
    for r in res["hits"]["hits"]:
        print({"text": r["_source"]["text"], "filename": r["_source"]["filename"], "page_num": r["_source"]["page_num"], "score": r["_score"]})
        docs.append({"text": r["_source"]["text"], "filename": r["_source"]["filename"], "page_num": r["_source"]["page_num"], "score": r["_score"]})

    return docs

将召回的结果传给大模型，通过提示词让大模型理解并提供更人性化的输出。

    texts = ""
    results_list = []
    for idx, result in enumerate(results):
        url = f"http://xxxx/{result['filename']}?x-bce-process=doc/preview,tt_image,p_{result['page_num']}"
        result_info = {
            "页码": result['page_num'],
            "分数": result['score'],
            "文本": result['text'],
            "图片URL": url
        }
        results_list.append(result_info)
        texts += result['text']

    querytext = f"""用户问题:{input_text}
    [参考资料]：

    {texts}
    
    根据参考资料里的知识点回答用户问题，未检索到的礼貌拒答
    """
    
    resp = qianfan.ChatCompletion().do(endpoint="completions_pro", messages=[{"role":"user","content": querytext}], temperature=0.95, top_p=0.8, penalty_score=1, disable_search=False, enable_citation=False)
    ## 通过千帆 SDK 调用 ERINIE-4.0-8K 模型解读客户的查询
     
    final_json = {
        "results": results_list,
        "resp_body_result": resp.body['result']
    }
    
    return final_json