Auslaw Embed V1.0

🚀 澳大利亞法律嵌入模型 v1.0

澳大利亞法律嵌入模型 v1.0 是一個基於 sentence-transformers 的模型，它能夠將句子和段落映射到 384 維的密集向量空間，可用於聚類或語義搜索等任務。該模型在澳大利亞法律場景下表現出色，為法律文本處理提供了強大的支持。

🚀 快速開始

若要使用此模型，需先安裝 sentence-transformers：

pip install -U sentence-transformers

安裝完成後，即可按如下方式使用該模型：

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('adlumal/auslaw-embed-v1.0')
embeddings = model.encode(sentences)
print(embeddings)

✨ 主要特性

• 向量映射：能夠將句子和段落映射到 384 維的密集向量空間。
• 多任務支持：可用於聚類或語義搜索等任務。
• 微調優化：基於 BAAI/bge-small-en 模型，使用澳大利亞高等法院（HCA）判例法進行微調。

📦 安裝指南

使用此模型前，需安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('adlumal/auslaw-embed-v1.0')
embeddings = model.encode(sentences)
print(embeddings)

📚 詳細文檔

評估結果

模型在 10% 的可用數據上進行了評估，最終步驟的自動評估結果如下：

訓練參數

模型使用以下參數進行訓練：

數據加載器： torch.utils.data.dataloader.DataLoader，長度為 2583，參數如下：

{'batch_size': 50, 'sampler': 'torch.utils.data.sampler.SequentialSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失函數： sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，參數如下：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

fit() 方法的參數：

{
    "epochs": 2,
    "evaluation_steps": 50,
    "evaluator": "sentence_transformers.evaluation.InformationRetrievalEvaluator.InformationRetrievalEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 516,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Normalize()
)

🔧 技術細節

該模型是基於 BAAI/bge-small-en 進行微調的。使用了澳大利亞高等法院（HCA）判例法在 Open Australian Legal Corpus 中的數據，未使用 PDF/OCR 案例。案例使用 bge-small-en 分詞器和 semchunk 分割成小於 512 的上下文塊。使用 mistralai/Mixtral-8x7B-Instruct-v0.1 為每個上下文塊生成法律問題，共使用 129,137 個上下文 - 問題對進行訓練，14,348 個上下文 - 問題對進行評估。

性能對比

使用驗證數據集的 10% 子集，該模型達到了以下命中率性能，並與基礎模型和 OpenAI 的默認 ada 嵌入模型進行了比較：

📄 許可證

本項目採用 Apache-2.0 許可證。

📖 引用與作者

@misc{malec-2024-auslaw-embed-v1,
    author = {Malec, Adrian Lucas},
    year = {2024},
    title = {AusLaw Embedding v1.0},
    publisher = {Hugging Face},
    version = {1.0},
    url = {https://huggingface.co/adlumal/auslaw-embed-v1.0}
}