王苑錚 范意興 陳 薇 張儒清 郭嘉豐

WANG Yuanzheng1,2, FAN Yixing1,2, CHEN Wei1,2, ZHANG Ruqing1,2, GUO Jiafeng1,2

實體檢索是為了從大規(guī)模的實體庫中找到與查詢相關的實體[1]，是很多自然語言處理任務的基礎，如文本數(shù)據(jù)分析[2]、事實抽取與驗證[3]、問答系統(tǒng)[4-7]、信息檢索[8-11]、推薦系統(tǒng)[12]等.不同于常規(guī)的文檔檢索任務，實體檢索任務的查詢是一個帶上下文的實體提及(Entity Mention)，而實體庫除了可以是無結構的實體描述文檔，也可以是結構化、半結構化的知識圖譜，并且查詢與實體間的“相關性”通常是明確的,即二者是否指代同一實體，而不是模糊的語義相似性，因此一個查詢通常只有一個目標實體.當實體庫規(guī)模很大時，為了能正確、高效檢索目標實體，通常需要采用多階段檢索，其中包含召回階段和至少一個重排序階段.召回階段是從完整實體庫中篩選少數(shù)候選實體，要求高召回率和高效率.

近年來，基于稠密向量表示的實體檢索模型被廣泛應用于召回階段.在稠密向量檢索模型中，查詢與實體首先被獨立編碼為稠密語義向量，之后在稠密向量空間中通過簡單的相似度函數(shù)(如點乘、余弦、L2)，利用K最近鄰(KNearest Neighbor，KNN)或近似近鄰(Approximate Nearest Neighbor，ANN)召回與查詢向量最接近的候選實體.稠密向量檢索模型優(yōu)點如下.1)稠密向量可有效建模查詢與實體的語義相似性，召回率高于傳統(tǒng)精確匹配模型；2)模型中的實體向量可離線計算好后再使用向量索引，可提高在線檢索的效率.

為了有效建模查詢與文檔的語義，當前的稠密向量通常是高維的，導致巨大的計算開銷，消耗大量存儲空間.一方面，稠密向量通常是高維的浮點數(shù)向量，導致計算向量相似度時，浮點運算開銷很大，往往需要昂貴的GPU等設備；另一方面，存儲高維稠密的實體向量需要大量空間.例如：對于英文維基的500萬實體，如果使用1 024維32位浮點向量存儲，需要23 GB的空間，難以部署在存儲受限的小型設備上.因此，壓縮高維稠密向量、加快向量相似度計算，是稠密向量檢索亟需解決的問題.

為了解決壓縮高維稠密向量、加快向量相似度計算的問題，本文分析3個當前較優(yōu)的稠密向量檢索模型——BLINK[13]、LUKE(Language Understanding with Knowledge-Based Embeddings)[14]、MGAD(Multi-granularity Alignments Based Distillation)[15]的實體向量，發(fā)現(xiàn)高維空間中的實體向量分布具有“絕對稀疏、相對稠密” 的特點.絕對稀疏體現(xiàn)在每個象限幾乎不超過一個實體，說明高維向量存在信息冗余.相對稠密體現(xiàn)在相似實體分布在更近的象限里,即向量各維度的正負號更相似，說明象限正負號是一種精煉、可體現(xiàn)相似度的語義特征.

基于上述特點，本文提出二值化的實體檢索方法(簡稱二值檢索)，實現(xiàn)壓縮與加速.具體而言，先利用符號函數(shù)(sign)提取向量各維度的正負號，代替原本的高維浮點數(shù)向量，實現(xiàn)二值化壓縮.再使用漢明距離，檢索最近鄰的二值化實體向量，使用布爾運算代替浮點運算，實現(xiàn)相似度計算的加速.

對二值檢索的有效性進行理論分析和實驗驗證.在理論上，當滿足一定前提時，二值檢索等價于乘積量化(Product Quantization，PQ)檢索[16]，此時相比浮點值模型,召回的候選實體列表大概率保序，可保證較優(yōu)的檢索性能.首先在實體檢索的AIDA數(shù)據(jù)集[17]上進行實驗，以二值化后效果最優(yōu)的MGAD為例，發(fā)現(xiàn)召回率損失較少，可大幅壓縮實體向量的存儲空間，加速向量相似度計算.進一步，對實體向量的定性、定量分析性實驗驗證方法和理論的正確性.此外，若模型不滿足理論前提導致檢索性能損失較大，可通過隨機升維旋轉(zhuǎn)改善性能.

1 相關知識

1.1 基于稠密向量的實體檢索

為了平衡性能與效率，實體檢索通常分為召回和重排序兩個階段.在召回階段，傳統(tǒng)方法是基于BM25[13]或?qū)嶓w別名表[18]的啟發(fā)式檢索方法.然而此類方法依賴于實體名與查詢的精確匹配，當無法精確匹配時，召回率較低.近年來，神經(jīng)網(wǎng)絡被應用于實體檢索任務，取得比啟發(fā)式方法更優(yōu)的檢索性能.在召回階段，常用基于稠密向量的檢索模型.此類模型將查詢、實體獨立編碼為稠密向量，再通過簡單的向量相似度函數(shù)(如點積、L2)，使用精確K近鄰或近似K近鄰算法召回K個最相似的實體.

基于稠密向量的檢索模型按實體向量的表示方式不同，大致可分為3類：基于描述的方法、基于上下文的方法、混合式方法.基于描述的方法以BLINK為代表，使用BERT(Bidirectional Encoder Representa-tions from Transformers)[19]將實體描述文本直接編碼為向量.基于上下文的方法以LUKE為代表，從海量上下文中利用實體與其它單詞、實體的共現(xiàn)關系，抽取實體的分布語義向量.混合式方法以MGAD為代表，利用分布語義模型LUKE蒸餾實體描述編碼器，得到的實體向量同時具備描述和上下文的語義.

BLINK、LUKE、MGAD為當前性能較優(yōu)的三個稠密向量實體檢索方法，分別適合在實體描述豐富、實體上下文豐富、實體描述和實體上下文都豐富的場景下訓練實體向量.相比傳統(tǒng)方法，稠密向量模型的語義匹配能力更強，召回率更高，但缺點是時間復雜度和空間復雜度也更高.

1.2 二值檢索

二值檢索是使用0、1或±1的離散二值向量表示查詢與實體，然后使用漢明相似度檢索的方法，在圖像檢索和文本檢索中都有應用.按照訓練方式劃分，二值檢索可分為兩類：聯(lián)合優(yōu)化方法和后處理方法.在聯(lián)合優(yōu)化方法中，二值化是與向量的學習過程一起訓練的，以文本檢索任務的BPR(Binary Passage Retriever)[20]為代表.BPR在訓練過程中，使用可微的tanh函數(shù)近似sign函數(shù)，訓練接近二值向量的浮點值向量，在推斷時直接使用sign函數(shù)二值化.后處理方法直接使用其它模型訓練好的浮點值向量，對浮點向量進行一些簡單變換后再二值化，以圖像檢索任務的HE-WGC(Hamming Embedding and Weak Geometric Consistency)[21]和ITQ(Iterative Quantiza-tion)[22]為代表.在使用sign函數(shù)二值化前，HE-WGC對稠密向量進行隨機旋轉(zhuǎn)，ITQ通過迭代計算將稠密向量旋轉(zhuǎn)至量化誤差最小的方向上，但是兩者并未給出理論上的解釋.在這兩類二值檢索方法中，聯(lián)合優(yōu)化方法的檢索效果更優(yōu)，但訓練代價高昂.后處理方法的檢索效果略差于聯(lián)合優(yōu)化方法，但不需要重新訓練模型，可直接在訓練好的模型上應用，泛用性更好.

2 二值化的實體檢索方法

本節(jié)首先形式化介紹基于稠密向量的召回階段實體檢索，再介紹針對稠密向量的二值化實體檢索.在實體召回階段，給定一個帶上下文的實體提及作為查詢q，目的是從一個大型實體庫E={e1,e2, …,eN}中，召回K個候選實體子集{e1,e2, …,eK}，K?N.

2.1 基于稠密向量的實體檢索

基于稠密向量的實體檢索模型結構如圖1所示，首先使用兩個獨立的編碼器將查詢、實體分別編碼為稠密向量，再召回與查詢向量最相似的K個候選實體.

圖1 基于稠密向量的實體檢索模型結構圖

對于查詢q和實體e，對應的稠密向量分別為：

vq=f(q)，ve=g(e)，

其中f、g表示兩個互相獨立的編碼器.以BLINK為例，f、g都采用BERT，將文本編碼為向量.關于查詢、實體編碼器的更多細節(jié)，請參考BLINK、LUKE、MGAD的相關文獻[13-15].

召回過程是利用KNN召回與查詢向量vq相似度最大或距離最小的K個候選實體.記s(·,·)為計算2個向量相似度的函數(shù)，KNN召回過程形式化表述為

常用的相似度函數(shù)s(·,·)有點乘相似度、余弦相似度、L2相似度(L2距離取反)等.本文與BLINK、LUKE、MGAD一樣，采用點乘相似度.

稠密向量檢索模型可利用神經(jīng)網(wǎng)絡建模vq、ve的語義相似性，因此召回率超過傳統(tǒng)的精確匹配模型.但是，由于vq、ve通常都是高維浮點值向量，且ve需要預先計算并存儲，當實體數(shù)量很多時，大規(guī)模浮點向量的存儲及相似度計算的開銷很大.為了解決該問題，本文提出二值化的實體檢索方法.

2.2 二值化實體檢索

二值化的實體檢索方法(簡稱二值檢索)簡化使用浮點值的稠密向量實體檢索(簡稱浮點值檢索)，可壓縮向量存儲空間，加快相似度計算.二值檢索示意圖如圖2所示.

圖2 二值檢索示意圖

對于n維浮點值向量vq∈Rn,ve∈Rn，首先利用符號函數(shù)

獲取每個浮點值的正負號，得到n維二值向量

bq∈{1,-1}n,be∈{1,-1}n.

假設原本每個浮點值需要使用mbit表示(m通常為32或64)，而±1使用1 bit即可表示，因此存儲n維浮點向量需要n×mbit，而二值向量只需要nbit，二值化可將存儲壓縮至1/m.

之后可利用漢明相似度sHam計算二值向量bq、be的相似度.定義漢明距離H(b1,b2)為b1∈{1,-1}n,b2∈{1,-1}n中不相同的bit的數(shù)量，則二值向量的漢明相似度sHam、L2相似度sL2、點乘相似度sdot、余弦相似度scos四者都可從漢明距離H計算得到，即

(1)

容易看出，4個相似度是等價的，因此實踐中使用漢明相似度即可.對于現(xiàn)代CPU，漢明距離H可僅用兩條指令計算：

H(b1,b2)=POPCOUNT(XOR(b1,b2)),

其中,XOR為按位異或，POPCOUNT(·)為統(tǒng)計值為1的bit數(shù)量.這兩條指令都是簡單的布爾運算，計算速度快于復雜的浮點運算.

3 可行性分析

本節(jié)從理論上分析使用二值檢索代替浮點檢索的可行性.首先，當稠密向量滿足前提條件“各維度是均值為0的對稱分布”時，二值化檢索等價于一種特殊的PQ檢索[16].當滿足此前提時，漢明相似度與L2相似度大概率保序，因此相比浮點值檢索，二值檢索的性能損失不大.

3.1 二值檢索是一定前提下特殊的乘積量化檢索

首先介紹PQ檢索的原理.PQ檢索首先將高維向量空間劃分為多個低維子空間，對每個子空間上的實體向量集合通過K-means聚類生成k個聚類中心，使用每個子空間上最近的聚類中心代替原本的實體向量(稱為量化).之后分別在每個子空間上，使用查詢向量到實體聚類中心的距離，最后組合這些子空間上的距離，得到一個查詢向量到實體向量的近似距離(稱為量化距離)，其中最重要的是K-means聚類與量化距離的計算.

給定n維實體向量的集合{ve}?Rn，先將ve切分為多段獨立的m維子向量的笛卡爾積：

其中，d(·，·)為某種距離函數(shù)，如L2距離,ci為使用K-means聚類后的第i個聚類中心.

當各維度是均值為0的對稱分布時，sign函數(shù)二值化等價于m=1，k=2的K-means聚類量化.這種K-means聚類的結果如圖3所示.記左右兩半的均值為±μ，則{c1,c2}=±μ就是K-means收斂時的聚類中心.若使用符號函數(shù)sign代替量化函數(shù)Q，則等價于指定聚類中心{c1,c2}=±1，此時左右兩簇的劃分結果，與以±μ為聚類中心是相同的.

圖3 m=1，k=2的K-means聚類結果

當滿足可使用sign函數(shù)代替量化函數(shù)Q的條件時，漢明距離與對稱的量化距離等價.對稱的量化距離dQ，即對查詢向量vq、實體向量ve都量化后計算的距離定義為

當Q(·)為sign函數(shù)，距離d(·，·)為L2距離時，由式(1)有dQ=2H,H為漢明距離，因此dQ與漢明距離等價.

3.2 相似度的保序性

本節(jié)將從理論上分析漢明相似度與L2相似度在Rn上大概率是保序的，所以二值檢索與浮點值的檢索性能相差不大.

若滿足

(2)

或

l1=L2(x,y1),l2=L2(x,y2)，

記漢明距離

h1=H(x,y1),h2=H(x,y2).

由于漢明距離等于漢明相似度取反(L2距離同理)，于是條件(2)等價于

P(l1≥l2|h1

(3)

利用條件概率，

P(l1≥l2|h1

P(h1

(4)

說明條件(3)成立.

對于漢明距離，給定x、y1，假設滿足h1

對于L2距離，能滿足條件l1≥l2的點y2必須落在以x為球心、|x-y1|為半徑的球里.以圖4的二維空間為例，相比無限的二維空間，落在球內(nèi)的概率趨近于0，因此有

圖4 P(l1≥l2)→0示意圖

P(l1≥l2)→0.

回到式(4)，由于左邊

P(h1

右邊

P(h1

于是必須有

P(l1≥l2|h1

式(4)得證，因此漢明相似度到L2相似度大概率保序.

4 實驗及結果分析

4.1 實體檢索實驗

本節(jié)通過實驗驗證sign函數(shù)+漢明距離的二值檢索方案可在檢索性能損失不大時，壓縮實體向量存儲，加快相似度計算.

在實體鏈接的基準數(shù)據(jù)集AIDA[17]上進行實驗.除了BLINK、LUKE、MGAD，還對比如下2個傳統(tǒng)的啟發(fā)式檢索模型：1)Alias Table[18]，可預先通過維基百科錨文本收集；2)BM25，使用實體名稱構建索引[13].

每個基于稠密向量的模型分為浮點值、二值化兩種版本.浮點值模型是按官方超參數(shù)在AIDA-train數(shù)據(jù)集上微調(diào)的原版模型，采用點乘相似度.二值化模型直接使用sign函數(shù)對浮點值模型的稠密向量二值化，并使用漢明相似度檢索，該過程不需要訓練.為公平起見，所有模型的實體庫統(tǒng)一限定為LUKE編碼的約50萬英文維基實體.

在AIDA-testB數(shù)據(jù)集上測試模型的檢索性能、計算速度、存儲空間.檢索性能指標包括：MRR(Mean Reciprocal Rank)、Recall@K(K=1,10,30,100)，后者簡記為R@K.

實驗平臺的硬件配置如下：Intel(R)Xeon(R)Gold 5117 CPU @ 2.00 GHz，Tesla K80 GPU,12 GB顯存.

各模型檢索性能如表1所示，其中-b表示二值檢索.由表可觀察到，MGAD、BLINK、LUKE的浮點值模型效果優(yōu)于Alias Table和BM25，這顯示稠密向量模型強大的語義匹配能力，并且在3種稠密向量中，使用上下文語義的MGAD和LUKE，效果優(yōu)于完全使用實體描述編碼稠密向量的BLINK.由表還可發(fā)現(xiàn)，二值化的BLINK和MGAD都可以保持較高的召回率，其中MGAD在R@10上只損失0.8%，BLINK在R@30上只損失0.9%，這兩個模型二值化后依然性能優(yōu)于啟發(fā)式方法，且二值化MGAD性能甚至優(yōu)于浮點值BLINK.但是，二值化的LUKE性能下降非常嚴重，甚至差于啟發(fā)式檢索.總之，對于部分神經(jīng)檢索模型，二值化檢索可保持較高的檢索性能.

表1 各模型檢索性能對比

對于維度最高且二值檢索性能最優(yōu)的MGAD，在AIDA數(shù)據(jù)集上測試其實體向量的存儲空間及相似度計算速度，結果如表2所示.對于32位浮點的實體向量，二值化存儲可減至1/32，在CPU+內(nèi)存的配置下，相似度計算可加速約1.5倍，甚至快于GPU+顯存的浮點值模型.因此二值檢索可大幅壓縮存儲、加快計算，適合在低資源設備上部署.

表2 AIDA數(shù)據(jù)集上MGAD的效率

4.2 分析性實驗

4.2.1 定性分析

本節(jié)定性分析BLINK、LUKE、MGAD這3個稠密向量檢索模型中實體向量的分布特點，以及如何利用這些特點實現(xiàn)二值化檢索.

分析三者預訓練好的實體向量.三者的實體都來自英文維基，但編碼的實體數(shù)量不同，最少的LUKE只編碼最高頻約10%實體，最多的BLINK編碼全部實體.此外3種實體向量的維度不同，BLINK為1 024維，MGAD為1 024維，LUKE為256維.本文發(fā)現(xiàn)如下2個特點，并基于這2個特點提出二值檢索方法.

特點1實體向量分布在互不相同的象限里

使用sign函數(shù)提取浮點向量v每維的正負符號，得到n維±1向量b，表示v在n維直角坐標系中所在的象限(n維空間有2n個象限).統(tǒng)計每個模型的實體向量分布在多少個象限里，統(tǒng)計結果如表3所示，表中all表示全量英文維基實體，top表示最高頻的約10%實體.由表可發(fā)現(xiàn)：1)盡管3個模型編碼實體向量的方法不同，但對于高頻實體，每個實體向量都分布在不同象限里；2)對于編碼全部實體的BLINK，只有很少的情況下多個實體會出現(xiàn)在同個象限里,即每個象限里幾乎最多只有一個實體.

表3 各模型的實體數(shù)量和向量象限數(shù)量

本文發(fā)現(xiàn)，只有在實體描述過于相似的情況下，才會出現(xiàn)一個象限中不止一個實體的現(xiàn)象.具體而言，這種實體可細分為3類：1)維基消歧頁；2)只有名字沒有描述；3)使用一套描述模板批量編寫的實體.這3類罕見情況屬于實體庫的噪聲.此外，實體向量確實都分布在互不相同的象限里，且高維空間本身的象限數(shù)遠多于實體數(shù).例如：256維的LUKE共有2256≈1077個象限，遠多于全量英文維基實體數(shù)(約106)，而對于1 024維的BLINK和MGAD，其21024≈10308個象限甚至遠超過全宇宙的原子數(shù)(約1080).因此對于這些高維稠密向量檢索模型，即使每個象限只有一個實體，容量依然足夠大.

該特點說明使用浮點數(shù)的稠密向量存在大量信息冗余，僅保留象限(通過sign函數(shù)得到的二值向量)就可代替原本的浮點向量，從而壓縮存儲空間.

特點2語義相似的實體向量所在象限也更近

進一步分析發(fā)現(xiàn)，語義相近的實體會分布在更近的象限里(如象限(1，-1,1)離(-1，-1,1)更近，離(-1,1,1)更遠).下面通過一個可視化的例子加以說明.

本文選擇兩個實體：Java(programming language)和Switzerland，并從MGAD的浮點實體向量中分別選擇3個離它們距離最近的實體向量，得到兩組實體:

{Python(programming language), Java(software platform), Lua(programming language)},

{Switzerland football team,Swiss people,Switzerland in

the Roman era}.

可看出，每個實體都和自己組內(nèi)的實體語義更相似，和另一組實體的語義較遠.

再將這兩組實體向量二值化，可視化效果如圖5所示，圖中每行表示一個1 024維的二值化實體向量(深灰色為1，淺灰色為-1)，每列的維度一一對應.±1在各維度上的分布產(chǎn)生“條紋”，2個二值向量的條紋越相似，漢明距離也越小，即象限離得越近.由圖可看出，組內(nèi)語義較近的實體，向量更相似(漢明相似度更大，象限更近)，組間語義較遠的實體，向量更不相似(漢明相似度更小，象限更遠).

圖5 語義相似實體向量二值化的可視化效果

基于此特點，可使用計算速度更快的漢明相似度，衡量二值化后實體之間的語義相似度，從而替換原本的浮點值相似度.

4.2.2 定量分析

首先驗證各模型是否滿足二值化的理論前提，即“各維度是均值為0的對稱分布”，發(fā)現(xiàn)對稱分布基本成立(呈現(xiàn)為單峰對稱分布)，但均值為0并不總成立.各模型各維度的均值(去除超過±0.15的值)如圖6所示.由圖可發(fā)現(xiàn)，只有部分維度的均值在0附近(圖中±0.025內(nèi))，這些維度與理論較符合.考慮到高維向量本身的冗余性，及二值化的MGAD與BLINK召回性能并不差，本文認為，只要“均值接近0的維度足夠多”，就能抵消其余維度的負面影響.

再驗證依據(jù)理論推導的結論，即相似度的保序性.隨機采樣1 000個實體，使用第1種相似度召回k近鄰后，計算有多少鄰居在第2種相似度上保序.取k=3、10、100，并測試漢明相似度(簡記為Ham)、L2相似度(簡記為L2)、余弦相似度(簡記為cos)、點乘相似度(簡記為dot)，保序性的實驗結果如表4所示.由表可發(fā)現(xiàn)，相似度保序的概率

表4 各模型相似度的保序概率

MGAD > BLINK > LUKE，

該排序與圖6中均值接近0的維度數(shù)量排序以及表5中二值化后的性能損失排序是一致的.此外以保序性最好的MGAD為例，還可發(fā)現(xiàn)除了漢明相似度到L2相似度之外，漢明相似度到余弦相似度、點乘相似度也是大概率保序的，反之余弦相似度、點乘相似度到漢明相似度也大概率保序.

表5 各模型二值化后的性能損失

圖6 各模型的各維度均值

由此通過實驗驗證理論的正確性，得到一個更寬松的結論：當各維度是對稱分布時，只要有足夠多維度的均值接近0，漢明相似度就大概率與L2相似度、余弦相似度、點乘相似度保序，從而保證二值檢索性能損失不大.進一步地，均值接近0的維度越多，保序性越優(yōu)，檢索性能損失越小.

4.3 補充實驗

從4.1節(jié)和4.2節(jié)實驗中發(fā)現(xiàn)，LUKE由于不能較好滿足“有足夠多的維度均值接近0”的理論前提，導致二值化后相似度保序性較差，因此二值檢索效果不佳.受HE-WGC在圖像檢索任務中應用隨機旋轉(zhuǎn)的啟發(fā)，發(fā)現(xiàn)對稠密向量隨機升維旋轉(zhuǎn)，可以讓更多維度均值接近0，提高二值檢索性能.

給定向量v∈Rn，隨機升維旋轉(zhuǎn)即對v右乘一個隨機正交陣M∈Rn×m,其中m≥n(當m=n時只旋轉(zhuǎn)不升維).旋轉(zhuǎn)可保證稠密向量的內(nèi)積相似度、L2相似度、點乘相似度都不變，而隨機的升維可讓各維度均值更接近0(作為對比，雖然中心化也能令均值為0，但這是一種平移變換，無法保證點乘相似度、余弦相似度不變).具體而言，設稠密向量集合的均值向量為μ，隨機升維旋轉(zhuǎn)不改變μ的模長，且變換后的μ均勻分布在半徑為|μ|的m維球面上，即

(5)

維度m越大，μi的期望越接近0.

本節(jié)通過實驗驗證隨機升維旋轉(zhuǎn)確實可改善LUKE的二值化檢索性能，具體結果如表6所示，表中b-R×n表示維度乘以n倍的隨機升維旋轉(zhuǎn)并二值化.除了浮點值模型以外，其它行的數(shù)值是相對浮點值模型的性能損失.由表可發(fā)現(xiàn)：1)即使不升維，只隨機旋轉(zhuǎn)(b-R×1)，也可提高二值檢索性能；2)升維的倍數(shù)越大，二值化檢索效果越接近浮點值LUKE，升維16倍時各項指標損失不到1%，已非常接近浮點值模型(由于二值化可壓縮至1/32，即使升維16倍，總存儲空間依然能減半).

表6 對LUKE隨機升維旋轉(zhuǎn)后的二值檢索效果

圖7 LUKE隨機升維旋轉(zhuǎn)后均值分布

圖8 期望的理論值與統(tǒng)計值

5 結束語

對于基于稠密向量的實體檢索模型，它們的實體向量普遍具有2個特點：1)絕大多數(shù)象限中不超過一個向量；2)語義相近實體向量分布在更接近的象限中.因此本文提出二值化的實體檢索方法.使用sign函數(shù)+漢明相似度對實體向量進行二值檢索.對于BLINK和MGAD，該二值檢索方法可保持較高召回率、壓縮實體向量存儲、加快相似度計算.從理論上分析二值檢索方法在一定前提下的正確性.而對于二值檢索效果不佳的LUKE，可通過隨機升維旋轉(zhuǎn)使其更符合理論前提，從而提高檢索性能.今后將嘗試建立更精細的二值檢索理論,此外會聯(lián)合優(yōu)化二值化與稠密向量學習過程，得到更好的二值化表示.