理解Langchain FAISS相似度搜索：嵌入模型、距离度量与结果解析

本文深入探讨Langchain中FAISS向量库进行相似度搜索时，如何理解和优化其返回结果。重点分析了嵌入模型选择、距离度量（如余弦相似度和L2距离）对相似度分数的影响，以及normalize_embeddings参数的关键作用。通过实例代码，指导读者正确解读搜索结果，并提供调试与优化策略，确保获得准确高效的向量相似度匹配。

向量嵌入与相似度搜索基础

在现代自然语言处理（nlp）应用中，将文本转化为高维向量（即“嵌入”或“embedding”）是实现语义理解和相似度匹配的关键步骤。这些向量捕捉了文本的语义信息，使得语义上相近的文本在向量空间中距离更近。faiss（facebook ai similarity search）是一个高效的相似度搜索库，它能够快速地在大规模向量集合中查找与查询向量最相似的向量。langchain作为llm应用开发框架，集成了faiss及多种嵌入模型，极大地简化了向量搜索的实现。

当我们在Langchain中使用FAISS进行相似度搜索时，核心任务是找到与给定查询文本语义最接近的文档。这个“接近”程度通常通过计算向量之间的“距离”或“相似度”来衡量，并以一个分数形式返回。

核心概念：距离度量

理解相似度分数的前提是了解其背后的距离度量方法。不同的度量方法对分数的解释截然不同。在向量搜索中，最常用的两种度量是余弦相似度（Cosine Similarity）和L2距离（Euclidean Distance）。

1. 余弦相似度 (Cosine Similarity)

余弦相似度衡量的是两个向量在方向上的接近程度，而非大小。它的计算基于向量夹角的余弦值：

• 分数范围： 通常在-1到1之间。如果向量经过归一化（即长度为1），则范围在0到1之间。
• 解释： 分数越高表示两个向量方向越一致，语义越相似。1.0表示完全相同，0表示不相关，-1表示完全相反。
• 应用场景： 适用于文本相似度匹配，因为它不受文本长度或词频的影响，只关注语义方向。
• 与 normalize_embeddings=True 的关联： 当嵌入模型配置中设置 encode_kwargs={‘normalize_embeddings’: True} 时，通常意味着生成的嵌入向量会被归一化。在FAISS中，对归一化向量执行内积（dot product）操作，其结果等同于余弦相似度。

2. L2距离 (欧氏距离 Euclidean Distance)

L2距离是多维空间中两点之间的直线距离。

• 分数范围： 0到无穷大。
• 解释： 分数越低表示两个向量距离越近，语义越相似。0.0表示完全相同。
• 应用场景： 适用于需要严格衡量向量空间中“物理”距离的场景。
• FAISS默认： FAISS在没有明确指定距离度量或当向量未归一化时，可能默认采用L2距离。

Langchain FAISS中的相似度搜索与分数解读

在使用Langchain的FAISS.similarity_search_with_score()方法时，返回的分数解释取决于底层的距离度量。

考虑以下使用BGE（BAAI/bge-large-zh-v1.5）嵌入模型，并设置了normalize_embeddings=True的示例：

from langchain_community.embeddings import HuggingFaceBgeEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.documents import Document
# 1. 配置嵌入模型
model_name = "BAAI/bge-large-zh-v1.5"
model_kwargs = {'device': 'cuda'} # 根据实际设备调整，如'cpu'
encode_kwargs = {'normalize_embeddings': True} # 启用归一化，通常与余弦相似度匹配
model = HuggingFaceBgeEmbeddings(
model_name=model_name,
model_kwargs=model_kwargs,
encode_kwargs=encode_kwargs,
cache_folder="../model/", # 模型缓存路径
)
# 2. 准备文档并创建FAISS索引 (这里假设已有一个FAISS数据库)
# 假设我们有一个文档列表
docs = [
Document(page_content='无纸化发送失败?'),
Document(page_content='凭证打包失败?'),
Document(page_content='edi发送不了?'),
# ...更多文档
]
# 如果是首次创建，可以使用 FAISS.from_documents(docs, embeddings)
# db = FAISS.from_documents(docs, model)
# db.save_local('../dataset/bge_faiss_db', index_name='index')
# 3. 加载FAISS数据库
db = FAISS.load_local('../dataset/bge_faiss_db', embeddings=model, index_name='index')
# 4. 执行相似度搜索
query = '无纸化发送失败?'
res = db.similarity_search_with_score(query, k=3)
print("搜索结果 (BGE模型, normalize_embeddings=True):")
for doc, score in res:
print(f"(Document(page_content='{doc.page_content}'), {score})")
# 示例输出:
# (Document(page_content='无纸化发送失败?'), 0.9069208)
# (Document(page_content='凭证打包失败?'), 0.57983273)
# (Document(page_content='edi发送不了?'), 0.5719995)

分数解读：
在这个例子中，查询字符串与数据库中的一个文档完全相同，但返回的相似度分数是0.9069208，而非完美的1.0。这可能让一些用户感到困惑，误认为分数“低”。然而，由于normalize_embeddings=True，FAISS通常会使用余弦相似度（或等效的内积）进行计算。对于余弦相似度而言，0.9069208是一个非常高的匹配分数，表明两者语义高度一致。未达到完美的1.0可能是由于浮点数计算精度、嵌入模型在处理完全相同文本时产生的微小差异，或是FAISS内部处理的细微误差。因此，对于余弦相似度，0.9以上的得分通常被认为是强匹配。

优化与调试策略

当相似度搜索结果不符合预期时，可以从以下几个方面进行优化和调试：

1. 选择合适的嵌入模型

不同的嵌入模型在处理特定语言、领域或任务时表现各异。虽然BGE模型在中文领域表现优秀，但并非所有场景都能产生“完美”的1.0余弦相似度。尝试其他嵌入模型，特别是那些经过特定训练或在你的数据集上表现更好的模型，可能会改善结果。

2. 明确距离度量与参数配置

理解你的嵌入模型和FAISS如何交互是关键。

• normalize_embeddings 参数： 当设置为 True 时，模型会输出归一化向量，这使得余弦相似度成为一个自然的选择。如果你的应用需要严格的“距离”概念（例如，在某个阈值内），并且你期望0.0表示完美匹配，那么L2距离可能更直观。
• FAISS默认行为： FAISS在内部可以配置不同的索引类型来使用不同的距离度量（如IndexFlatL2代表L2距离，IndexFlatIP代表内积，对于归一化向量等同于余弦相似度）。Langchain在与嵌入模型集成时，会根据嵌入模型的特性和normalize_embeddings参数来选择或配置FAISS索引。

3. 示例代码：使用OpenAIEmbeddings和L2距离

为了对比，我们可以尝试一个通常默认使用L2距离的设置，例如OpenAIEmbeddings（尽管其内部向量也可能被归一化，但FAISS在默认情况下可能将其视为L2距离）。

from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings # 导入OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_core.documents import Document
# 1. 配置嵌入模型 (OpenAIEmbeddings通常在FAISS中倾向于L2距离)
# 请确保已设置 OPENAI_API_KEY 环境变量
embeddings = OpenAIEmbeddings()
# 2. 准备文档并创建FAISS索引
# 假设text.txt内容为：
# 无纸化发送失败?
# 凭证打包失败?
# edi发送不了?
# ...
# loader = TextLoader("./text.txt", encoding="utf-8")
# documents = loader.load()
# text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
# docs = text_splitter.split_documents(documents)
# 为了演示，直接创建文档
docs = [
Document(page_content='无纸化发送失败?', metadata={'source': './text.txt'}),
Document(page_content='凭证打包失败?', metadata={'source': './text.txt'}),
Document(page_content='edi发送不了?', metadata={'source': './text.txt'}),
]
db_openai = FAISS.from_documents(docs, embeddings)
# 3. 执行相似度搜索
query = '无纸化发送失败?'
res_openai = db_openai.similarity_search_with_score(query, k=3)
print("\n搜索结果 (OpenAIEmbeddings, L2距离):")
for doc, score in res_openai:
print(f"(Document(page_content='{doc.page_content}', metadata={doc.metadata}), {score})")
# 示例输出:
# (Document(page_content='无纸化发送失败?', metadata={'source': './text.txt'}), 0.0)
# (Document(page_content='凭证打包失败?', metadata={'source': './text.txt'}), 0.08518691) # 假设的近似值
# (Document(page_content='edi发送不了?', metadata={'source': './text.txt'}), 0.12345678) # 假设的近似值

对比分析：
使用OpenAIEmbeddings时，对于完全相同的查询，返回的分数是0.0。这印证了FAISS在与某些嵌入模型结合时，会默认采用L2距离，而L2距离下0.0代表完美匹配。这种情况下，用户对“完美匹配”的期望得到了满足。

4. 注意事项

• 浮点精度： 计算机处理浮点数存在精度限制，即使是完全相同的输入，经过复杂的嵌入和距离计算后，也可能产生微小的非零偏差。
• 模型特性： 不同的嵌入模型对文本的编码方式不同，即使是语义完全相同的文本，其向量表示也可能存在细微差异。
• 阈值设定： 在实际应用中，不应期望完美匹配总是返回1.0（余弦）或0.0（L2）。更重要的是设定一个合理的相似度阈值，高于该阈值则认为匹配成功。例如，对于余弦相似度，可以设定0.8或0.85为高相似度阈值。

总结

Langchain中FAISS的相似度搜索结果解读，关键在于理解其背后的嵌入模型配置和距离度量方式。

1. 余弦相似度（通常与normalize_embeddings=True关联）：分数越高越好，1.0是理想完美匹配，但0.9以上已是非常高的相似度。
2. L2距离：分数越低越好，0.0是理想完美匹配。

当遇到“低”相似度分数时，首先应确认所使用的距离度量，并根据其特性来判断分数的实际含义。如果对“完美匹配”的0.0或1.0有强烈的追求，可以尝试更换嵌入模型或调整FAISS的索引类型配置，以匹配期望的距离度量行为。最终，在实际应用中，更重要的是根据业务需求设定合理的相似度阈值，而非一味追求理论上的完美分数。