Embedding model يحوّل النص العربي إلى vector رقمي للبحث الدلالي. للـ RAG العربي، جرّبوا نماذج multilingual (مثل multilingual-e5) وArabic-tuned (مثل AraBERT embeddings) على datasetكم — leaderboard عام لا يغني عن recall@5 على مستنداتكم الفعلية.

2 دقيقة قراءة

نماذج التضمين (Embeddings) للغة العربية: دليل اختيار وتقييم

ما هي Embeddings؟

Text embedding = mapping جملة/فقرة إلى vector في فضاء high-dimensional حيث المعنى المتقارب = مسافة قصيرة (cosine similarity).

في RAG:

Query (عربي) → embed → search nearest chunks → LLM answer

Paper أصلي: Mikolov word2vec (2013) → sentence-BERT (2019) → modern E5/BGE.

عائلات نماذج للعربية (2025–2026)

Model family Strengths Notes
multilingual-e5 (Microsoft) MSA, strong MTEB open
bge-m3 (BAAI) 100+ langs, dense+sparse popular
OpenAI text-embedding-3 quality, API data egress
AraBERT / CAMeLBERT Arabic pretrain may need sentence wrapper
Cohere embed multilingual API, good AR vendor lock

MTEB (Massive Text Embedding Benchmark) — leaderboard on Hugging Face — includes Arabic tasks but not your domain.

كيف تُقيّمون؟

Golden set methodology

  1. 50–100 (question, relevant_doc_id) pairs من HR/legal/…
  2. Metrics:
    • Recall@5: هل doc الصحيح في top 5?
    • MRR: mean reciprocal rank
    • Latency: ms per query

Example results pattern (illustrative)

Model Recall@5 (MSA FAQ) Recall@5 (dialect)
e5-large 0.88 0.72
bge-m3 0.86 0.75
baseline BM25 0.65 0.60

Hybrid (BM25 + dense) often wins for Arabic — morphology + semantics.

Arabic-specific challenges

  • Diacritics: normalize (strip tashkeel) before embed — consistent pipeline
  • RTL: most models handle UTF-8; test mixed AR/EN docs
  • Morphology: same root, many forms — dense embeddings help vs keyword alone
  • Dialect: Gulf/Egyptian queries vs MSA docs → gap; consider query expansion

Production checklist

  • Normalization pipeline documented
  • Same model for index + query
  • Vector DB: HNSW params tuned
  • Batch embed for index; cache query embeds
  • Monitor drift when content grows 10x

Migration بين models

1. Embed new corpus v2 parallel
2. A/B traffic 10%
3. Compare recall + user thumbs
4. Cutover + delete v1 index

Never mix v1 and v2 vectors in same index.

المصادر

  • Hugging Face MTEB leaderboard
  • Wang et al., «Text Embeddings by Weakly-Supervised Contrastive Learning» (E5)
  • CAMeLBERT / AraBERT papers (ACL)
  • Microsoft Azure — embedding model selection guide

أسئلة شائعة

ما الفرق بين embedding و LLM؟

Embedding model صغير يُنتج vector للبحث. LLM يولّد نص. RAG يستخدم embedding للاسترجاع ثم LLM للصياغة.

كم dimension نحتاج؟

768–1024 شائع. أ higher ≠ always better — latency وmemory matter.

هل OpenAI embeddings جيدة للعربية؟

text-embedding-3-large competitive — لكن sending data خارجياً قد يمنعها. local alternatives: e5, bge-m3.