Mmlw Retrieval E5 Small

🚀 MMLW-retrieval-e5-small

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です。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384次元のベクトルに変換することができます。

✨ 主な機能

• ポーランド語用のニューラルテキストエンコーダで、情報検索タスクに最適化。
• クエリとパッセージを384次元のベクトルに変換可能。

📦 インストール

原READMEにインストール手順に関する具体的な内容がないため、このセクションは省略されます。

💻 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-small")
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.

注意事項

⚠️ 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。このモデルでは、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。

⚠️ 重要提示

2023年12月26日に、結果を改善した新しいバージョンのモデルに更新しました。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-small", revision="v1")

📚 ドキュメント

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 52.34 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。

技術的背景

このモデルは、2段階の手順で開発されました。

• 最初の段階では、多言語E5チェックポイントで初期化され、その後、多様な6000万件のポーランド語 - 英語のテキストペアのコーパスで多言語知識蒸留法を使用して訓練されました。蒸留の教師モデルとして English FlagEmbeddings (BGE) を利用しました。
• 2段階目では、得られたモデルをポーランド語のMS MARCOのトレーニング分割データ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

このモデルの開発には2段階の手順が用いられています。

1. 第一段階では、多言語E5チェックポイントを初期値とし、6000万件の多様なポーランド語 - 英語のテキストペアコーパスを用いて、多言語知識蒸留法により訓練を行いました。蒸留の教師モデルには English FlagEmbeddings (BGE) を使用しました。
2. 第二段階では、得られたモデルをポーランド語のMS MARCOのトレーニング分割データで、対照損失を用いて微調整しました。対照学習の効率化のため、小規模モデルではバッチサイズ1152、ベースモデルでは768、大規模モデルでは288を使用し、12台のA100 GPUクラスターで微調整を行いました。

📄 ライセンス

このモデルは apache-2.0 ライセンスの下で提供されています。

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によるA100 GPUクラスターのサポートを受けて訓練されました。

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}
}