Acge Text Embedding

🚀 acge模型

acge模型是由合合信息技术团队研发的一款通用文本编码模型，属于可变长度的向量化模型。合合信息是行业领先的人工智能及大数据科技企业，致力于通过智能文字识别及商业大数据领域的核心技术、C端和B端产品以及行业解决方案为全球企业和个人用户提供创新的数字化、智能化服务。该模型的对外技术试用平台为TextIn，其github开源链接为github。

若您有技术交流需求，请联系yanhui_he@intsig.net；若您有商务合作意向，请联系simon_liu@intsig.net。您还可以点击图片，扫描二维码加入我们的微信社群。如果您想加入合合信息，从事“文档解析”“文档检索”“文档预研”相关工作，可以将简历投递至min_du@intsig.net，也可直接添加HR微信详细了解岗位内容。

acge模型采用了Matryoshka Representation Learning技术，如下图所示：

建议使用的维度为1024或者1792。

✨ 主要特性

• 通用性强：作为通用的文本编码模型，能够处理多种文本相关任务。
• 可变长度：支持可变长度的文本向量化，具有更好的灵活性。
• 技术先进：采用了Matryoshka Representation Learning技术，提升了模型性能。

📦 安装指南

文档未提及安装相关内容，故跳过此章节。

💻 使用示例

基础用法

在sentence-transformer库中的基本使用方法：

from sentence_transformers import SentenceTransformer

sentences = ["数据1", "数据2"]
model = SentenceTransformer('acge_text_embedding')
print(model.max_seq_length)
embeddings_1 = model.encode(sentences, normalize_embeddings=True)
embeddings_2 = model.encode(sentences, normalize_embeddings=True)
similarity = embeddings_1 @ embeddings_2.T
print(similarity)

高级用法

在sentence-transformer库中选取不同维度的使用方法：

from sklearn.preprocessing import normalize
from sentence_transformers import SentenceTransformer

sentences = ["数据1", "数据2"]
model = SentenceTransformer('acge_text_embedding')
embeddings = model.encode(sentences, normalize_embeddings=False)
matryoshka_dim = 1024
embeddings = embeddings[..., :matryoshka_dim]  # Shrink the embedding dimensions
embeddings = normalize(embeddings, norm="l2", axis=1)
print(embeddings.shape)
# => (2, 1024)

📚 详细文档

指标评估

C-MTEB排行榜（中文）

测试时，由于数据的随机性、显卡以及推理的数据类型不同，每次推理的结果会存在差异。总共进行了4次测试，使用了不同的显卡（A10、A100）和不同的数据类型，测试结果存放在result文件夹中。最终选取了精度最低的一次测试作为最终精度测试。根据infgrad的建议，选取不同的输入长度进行测试，当序列长度为512时测试效果最佳。

复现结果

C-MTEB：

import torch
import argparse
import functools
from C_MTEB.tasks import *
from typing import List, Dict
from sentence_transformers import SentenceTransformer
from mteb import MTEB, DRESModel


class RetrievalModel(DRESModel):
    def __init__(self, encoder, **kwargs):
        self.encoder = encoder

    def encode_queries(self, queries: List[str], **kwargs) -> np.ndarray:
        input_texts = ['{}'.format(q) for q in queries]
        return self._do_encode(input_texts)

    def encode_corpus(self, corpus: List[Dict[str, str]], **kwargs) -> np.ndarray:
        input_texts = ['{} {}'.format(doc.get('title', ''), doc['text']).strip() for doc in corpus]
        input_texts = ['{}'.format(t) for t in input_texts]
        return self._do_encode(input_texts)

    @torch.no_grad()
    def _do_encode(self, input_texts: List[str]) -> np.ndarray:
        return self.encoder.encode(
            sentences=input_texts,
            batch_size=512,
            normalize_embeddings=True,
            convert_to_numpy=True
        )


def get_args():
    parser = argparse.ArgumentParser()
    parser.add_argument('--model_name_or_path', default="acge_text_embedding", type=str)
    parser.add_argument('--task_type', default=None, type=str)
    parser.add_argument('--pooling_method', default='cls', type=str)
    parser.add_argument('--output_dir', default='zh_results',
                        type=str, help='output directory')
    parser.add_argument('--max_len', default=1024, type=int, help='max length')
    return parser.parse_args()


if __name__ == '__main__':
    args = get_args()
    encoder = SentenceTransformer(args.model_name_or_path).half()
    encoder.encode = functools.partial(encoder.encode, normalize_embeddings=True)
    encoder.max_seq_length = int(args.max_len)

    task_names = [t.description["name"] for t in MTEB(task_types=args.task_type,
                                                      task_langs=['zh', 'zh-CN']).tasks]
    TASKS_WITH_PROMPTS = ["T2Retrieval", "MMarcoRetrieval", "DuRetrieval", "CovidRetrieval", "CmedqaRetrieval",
                          "EcomRetrieval", "MedicalRetrieval", "VideoRetrieval"]
    for task in task_names:
        evaluation = MTEB(tasks=[task], task_langs=['zh', 'zh-CN'])
        if task in TASKS_WITH_PROMPTS:
            evaluation.run(RetrievalModel(encoder), output_folder=args.output_dir, overwrite_results=False)
        else:
            evaluation.run(encoder, output_folder=args.output_dir, overwrite_results=False)

🔧 技术细节

文档未提及技术实现细节相关内容，故跳过此章节。

📄 许可证

文档未提及许可证信息，故跳过此章节。