RAG再进化？基于长期记忆的检索增强生成新范式-MemoRAG 原创

发布于 2024-11-28 16:37

浏览

0收藏

前言

RAG现在工作很多，进化的也很快，再来看看一个新的RAG工作-MemoRAG。

文章提出，RAG在减少大模型对于垂类知识的问答幻觉上取得了不错的效果，也成为私域知识问答的一种范式。然而，传统RAG系统主要适用于明确信息需求的问答任务，但在处理涉及模糊信息需求或非结构化知识的复杂任务时表现不佳。因为，现实世界中的许多问题信息需求是模糊的，外部知识是非结构化的，例如理解书籍中主要角色之间的相互关系。

因此，研究难点在于：

如何有效处理模糊的信息需求
如何从非结构化知识中提取有用信息
如何在长文本上下文中进行有效的信息检索和生成

本文介绍的MemoRAG，一种基于长期记忆的检索增强生成新范式。

方法

RAG再进化？基于长期记忆的检索增强生成新范式-MemoRAG-AI.x社区

MemoRAG

传统RAG

RAG再进化？基于长期记忆的检索增强生成新范式-MemoRAG-AI.x社区

MemoRAG：MemoRAG提出了一个双系统架构，采用了一个轻量级但长上下文的LLM来形成数据库的全局记忆，并在任务呈现时生成草稿答案，提示检索工具在数据库中定位有用信息。另一方面，它利用一个能力较强的LLM，根据检索到的信息生成最终答案。
MemoRAG的核心是引入了一个记忆模块：

RAG再进化？基于长期记忆的检索增强生成新范式-MemoRAG-AI.x社区

记忆模块设计

1.输入
输入序列 X 包含 n 个标记，表示为X₁，...，X_n。

2.标注注意力机制

RAG再进化？基于长期记忆的检索增强生成新范式-MemoRAG-AI.x社区

4.记忆模块训练：

训练过程
记忆模块的训练分为两个阶段：

预训练：使用来自RedPajama数据集的随机抽样长上下文对模型进行预训练，使记忆模块能够从原始上下文中学习如何形成记忆。

指令微调（SFT）：使用特定任务的SFT数据，使MemoRAG能够基于形成的记忆生成特定任务的线索。

训练目标

RAG再进化？基于长期记忆的检索增强生成新范式-MemoRAG-AI.x社区

通过这种设计，记忆模块能够有效地将大量原始上下文压缩成少量的记忆标记，同时保留关键的语义信息，从而在处理长上下文和高层次查询时提供显著的优势。

基本使用

from memorag import MemoRAG

# Initialize MemoRAG pipeline
pipe = MemoRAG(
    mem_model_name_or_path="TommyChien/memorag-mistral-7b-inst",
    ret_model_name_or_path="BAAI/bge-m3", 
    gen_model_name_or_path="mistralai/Mistral-7B-Instruct-v0.2", # Optional: if not specify, use memery model as the generator
    cache_dir="path_to_model_cache",  # Optional: specify local model cache directory
    access_token="hugging_face_access_token",  # Optional: Hugging Face access token
    beacon_ratio=4
)

context = open("examples/harry_potter.txt").read()
query = "How many times is the Chamber of Secrets opened in the book?"

# Memorize the context and save to cache
pipe.memorize(context, save_dir="cache/harry_potter/", print_stats=True)

# Generate response using the memorized context
res = pipe(cnotallow=context, query=query, task_type="memorag", max_new_tokens=256)
print(f"MemoRAG generated answer: \n{res}")1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.

运行上述代码时，编码后的键值 (KV) 缓存、Faiss 索引和分块段落都存储在指定的中save_dir。之后，如果再次使用相同的上下文，则可以快速从磁盘加载数据：

pipe.load("cache/harry_potter/", print_stats=True)1.

摘要任务

res = pipe(cnotallow=context, task_type="summarize", max_new_tokens=512)
print(f"MemoRAG summary of the full book:\n {res}")1.
2.

实验

RAG再进化？基于长期记忆的检索增强生成新范式-MemoRAG-AI.x社区

参考文献

paper：MEMORAG: MOVING TOWARDS NEXT-GEN RAG VIA MEMORY-INSPIRED KNOWLEDGE DISCOVERY，https://arxiv.org/pdf/2409.05591v2
code：https://github.com/qhjqhj00/MemoRAG

本文转载自公众号大模型自然语言处理作者：余俊晖

原文链接：https://mp.weixin.qq.com/s/f5GiIcjtEuxtOitPgfsjcQ

标签

RAG

MemoRAG

已于2024-11-28 18:47:29修改