【RAG 论文】BGM：为 LLM 和 Retriever 的偏好 gap 搭建一个 Bridge

论文：Bridging the Preference Gap between Retrievers and LLMs

⭐⭐⭐

Google Research, arXiv:2401.06954

论文速读

LLM 与 Retriever 之间存在一个 preference gap：大多数 retriever 被设计为 human-friendly，但是 LLM 的偏好与人类的却不一致：

ranking 方面：由于 LLM 的 self-attention 机制，模型可以集中任何 token 而无视其 position。但人类对于 position 还是很关注的。
selection 方面：人类可以轻易地忽视掉与上下文无关的信息，但 LLM 却对于无关内容特别敏感。
repetition 方面：人类往往不关心重复内容，甚至不喜欢重复内容，但是 repetition 却在对于 LLM 在衡量相关性的权重时很有帮助。

论文原文设计了一些实验来证明 preference gap 确实存在，具体可以参考原论文。

为了弥补 LLM 和 Retriever 之间的 preference gap，过去的研究工作往往是集中于对 LLM 或 Retriever 进行微调，但其实无论是 LLM 还是 Retriever 都很可能是无法微调的。

比如对于生产级的 Retriever，如 Google 或 Bing，都是不能被微调的。

本论文提出了 BGM（Bridging the Gap between retrievers and LLMs）框架来解决这个问题：它在 LLM 和 Retriever 之间额外添加了一个 seq2seq 的 Bridge 模型，这个 Bridge 模型的输入是 retrieved passages，输出是 LLM-friendly passages。（如下图的最三个模型）

这里的 Bridge 模型是可以训练的，训练过程分成了两个阶段：监督学习（SL）阶段和强化学习（RL）阶段。

Bridge 模型的训练

阶段 1：SL 阶段

首先是 Supervised Learning（SL）阶段。

SL 学习往往需要 golden passage sequence 作为每个 query 的 label 从而实现监督学习，但是 golden passage sequence 是一种理想的情况，由于实际应用中不存在这样的真是标签，且对于一个 query，有太多有效的段落组合方式，从中选出最理想的答案在计算上是不可行的。

于是本文使用 sliver passage sequence（SPS）作为训练标签，也就是次优的标签。因此我们首先需要合成出用于 SL 的 SPS 数据。

SPS 数据的合成关键是用了贪心搜索的思想，通过迭代，最开始的段落序列是一个 empty sequence，之后逐步添加能够提升 downstream task 表现的最佳 passage，并将其加入到 SPS 中，直到无法进一步改善性能为止。

sliver passage sequence 用于监督学习阶段，作为训练目标，帮助桥接模型学习如何从检索到的段落中选择和排序，以生成对 downstream task 最有帮助的段落序列。

阶段 2：RL 阶段

实验发现，只使用 SL 来训练 Bridge model 是不够的，SL only 的模型最终的表现并不好，原因可能就是稀疏的 supervision 以及缺少在 downstream results 上的 end-to-end training。

为了解决这些问题，论文进一步对 SL 训练后的 Bridge Model 做进一步的强化学习，RL 可以让 Bridge model 学习到 optimal passage sequence 所需要的更加复杂的操作（比如 repetition）。

RL 的使用方法是：

downstream task 的 performance 被用来设计 reward。比如 QA 任务中的 BLEU 分数。
bridge model 就是需要训练的 policy model。
action space 定义了模型可以采取的所有可能动作，在这篇论文中，action space 可能包括选择哪些 passages、它们的顺序、以及是否需要重复某些 passage 等。
Environment 就是由 Retriever、Bridge Model、LLM 组成的整体。

训练阶段的优化算法可以是任何 off-the-shelf RL 算法，论文提到了使用 PPO 作为优化算法。