MTEB项目中文本嵌入聚类评估方法的探讨与改进

背景介绍

MTEB(Massive Text Embedding Benchmark)作为文本嵌入评估的重要基准，其聚类任务评估一直采用传统的K-means算法。然而，这种基于欧氏距离的评估方式与文本嵌入模型通常优化的相似性度量(如余弦相似度)之间存在潜在的不匹配问题。

传统K-means评估的局限性

K-means算法本质上依赖于欧几里得距离空间，而大多数现代文本嵌入模型在训练过程中优化的是余弦相似度或内积相似度。这种评估方法与模型优化目标的不一致可能导致：

1. 评估结果不能真实反映模型在语义相似性任务中的表现
2. 可能低估了模型在实际应用场景中的能力
3. 对于高维稀疏的文本嵌入空间，欧氏距离可能不是最合适的度量方式

基于图结构的改进方案

针对这一问题，提出了一种基于图结构和谱聚类的改进评估方法：

1. 图构建：利用嵌入向量间的余弦相似度构建加权图，节点代表文本，边权重表示语义相似度
2. 相似度矩阵处理：将负相似度归零，保留正向语义关联
3. 谱聚类应用：在预处理后的相似度矩阵上应用谱聚类算法

谱聚类特别适合处理图结构数据，能够有效捕捉数据中的非线性结构，这与文本嵌入空间的特性更为匹配。

实验对比结果

在韩语文本嵌入评估中，改进方法显示出显著优势：

• 所有测试模型在改进方法下的V-measure分数均有提升
• 提升幅度从4.08%到14.25%不等
• 特别是nlpai-lab/KURE-v1模型，从39.21提升至53.46，相对提升达36.3%

方法优势分析

1. 评估一致性：直接使用模型优化的相似度度量，评估更贴近实际应用
2. 结构保持：图结构能更好保留文本间的语义关系
3. 鲁棒性：对嵌入空间的分布假设更宽松，适应性强
4. 可解释性：基于相似度的聚类结果更符合人类对语义相似的理解

潜在改进方向

1. 相似度阈值：引入动态阈值处理可能进一步提升效果
2. 图构建优化：考虑k近邻或ε-ball方法构建稀疏图
3. 聚类算法选择：尝试其他基于相似度的聚类方法如层次聚类
4. 多语言验证：在更多语言上验证方法的普适性

结论

MTEB评估框架中的聚类任务评估方法存在改进空间，特别是针对优化目标为余弦相似度的文本嵌入模型。基于图结构和谱聚类的评估方法显示出明显优势，能够更准确地反映模型在语义相似性任务中的真实性能。这一发现对文本嵌入模型的评估和比较具有重要意义，值得在更广泛的场景中验证和应用。