Mmlw Retrieval E5 Base

🚀 MMLW-retrieval-e5-base

MMLW (muszę mieć lepszą wiadomość) は、ポーランド語用のニューラルテキストエンコーダーです。このモデルは、情報検索タスクに最適化されています。クエリとパッセージを768次元のベクトルに変換することができます。

🚀 クイックスタート

このモデルは、情報検索タスクに最適化されており、クエリとパッセージを768次元のベクトルに変換することができます。以下に、使い方の基本的な流れを示します。

✨ 主な機能

• ポーランド語のテキストをエンコードし、768次元のベクトルに変換することができます。
• 情報検索タスクに最適化されています。
• クエリとパッセージの類似度を計算することができます。

📦 インストール

このモデルは、sentence-transformers ライブラリを使用して利用することができます。以下のコマンドでインストールできます。

pip install sentence-transformers

💻 使用例

基本的な使用法

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

query_prefix = "query: "
answer_prefix = "passage: "
queries = [query_prefix + "Jak dożyć 100 lat?"]
answers = [
    answer_prefix + "Trzeba zdrowo się odżywiać i uprawiać sport.",
    answer_prefix + "Trzeba pić alkohol, imprezować i jeździć szybkimi autami.",
    answer_prefix + "Gdy trwała kampania politycy zapewniali, że rozprawią się z zakazem niedzielnego handlu."
]
model = SentenceTransformer("sdadas/mmlw-retrieval-e5-base")
queries_emb = model.encode(queries, convert_to_tensor=True, show_progress_bar=False)
answers_emb = model.encode(answers, convert_to_tensor=True, show_progress_bar=False)

best_answer = cos_sim(queries_emb, answers_emb).argmax().item()
print(answers[best_answer])
# Trzeba zdrowo się odżywiać i uprawiać sport.

高度な使用法

# 高度な使用法の説明は省略
# ここには元のコードをそのまま記載
from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

query_prefix = "query: "
answer_prefix = "passage: "
queries = [query_prefix + "Jak dożyć 100 lat?"]
answers = [
    answer_prefix + "Trzeba zdrowo się odżywiać i uprawiać sport.",
    answer_prefix + "Trzeba pić alkohol, imprezować i jeździć szybkimi autami.",
    answer_prefix + "Gdy trwała kampania politycy zapewniali, że rozprawią się z zakazem niedzielnego handlu."
]
model = SentenceTransformer("sdadas/mmlw-retrieval-e5-base")
queries_emb = model.encode(queries, convert_to_tensor=True, show_progress_bar=False)
answers_emb = model.encode(answers, convert_to_tensor=True, show_progress_bar=False)

best_answer = cos_sim(queries_emb, answers_emb).argmax().item()
print(answers[best_answer])
# Trzeba zdrowo się odżywiać i uprawiać sport.

📚 ドキュメント

このモデルは、2段階の手順で開発されました。

• 最初のステップでは、多言語E5チェックポイントで初期化され、その後、6000万のポーランド語 - 英語のテキストペアの多様なコーパスで 多言語知識蒸留法 を用いて学習されました。蒸留の教師モデルとして 英語FlagEmbeddings (BGE) を利用しました。
• 2番目のステップでは、得られたモデルを ポーランド語MS MARCO のトレーニング分割で対照損失を用いて微調整しました。対照学習の効率を向上させるために、小規模モデルでは1152、ベースモデルでは768、大規模モデルでは288という大きなバッチサイズを使用しました。微調整は、12台のA100 GPUのクラスターで行われました。

🔧 技術詳細

• モデルの開発手順：2段階の手順で開発され、多言語知識蒸留法と対照損失を用いた微調整を行っています。
• 学習データ：6000万のポーランド語 - 英語のテキストペアのコーパスと ポーランド語MS MARCO のトレーニング分割を使用しています。
• 学習環境：12台のA100 GPUのクラスターで学習されています。

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で公開されています。

⚠️ 重要提示

2023-12-26: モデルを新しいバージョンに更新し、結果を改善しました。以前のバージョンは v1 タグを使用してダウンロードできます: AutoModel.from_pretrained("sdadas/mmlw-retrieval-e5-base", revision="v1")

⚠️ 重要提示

当社の密ベクトル検索器は、テキストをエンコードする際に特定の接頭辞と接尾辞の使用を必要とします。このモデルの場合、クエリには "query: " を、パッセージには "passage: " を接頭辞として付ける必要があります。

評価結果

このモデルは、ポーランド語情報検索ベンチマークで NDCG@10 が 56.09 を達成しています。詳細な結果は PIRB Leaderboard を参照してください。

謝辞

このモデルは、グダニスク工科大学のTASKセンターイニシアチブのもと、A100 GPUクラスターのサポートを受けて学習されました。

引用

@article{dadas2024pirb,
  title={{PIRB}: A Comprehensive Benchmark of Polish Dense and Hybrid Text Retrieval Methods}, 
  author={Sławomir Dadas and Michał Perełkiewicz and Rafał Poświata},
  year={2024},
  eprint={2402.13350},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}