Camembert Base Lleqa

🚀 camembert-base-lleqa

這是一個基於 sentence-transformers 的模型，它能夠將句子和段落映射到 768 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 LLeQA 數據集上進行訓練，用於法語法律信息檢索。

🚀 快速開始

本模型可通過 sentence-transformers 庫或 transformers 庫使用，以下是詳細的使用方法。

✨ 主要特性

• 能夠將句子和段落映射到 768 維的密集向量空間。
• 可用於聚類、語義搜索等任務。
• 在法語法律信息檢索任務中表現出色。

📦 安裝指南

若要使用此模型，需先安裝 sentence-transformers 庫，可使用以下命令進行安裝：

pip install -U sentence-transformers

💻 使用示例

基礎用法

使用 sentence-transformers 庫

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

model = SentenceTransformer('maastrichtlawtech/camembert-base-lleqa')
embeddings = model.encode(sentences)
print(embeddings)

使用 transformers 庫

from transformers import AutoTokenizer, AutoModel
import torch


#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('maastrichtlawtech/camembert-base-lleqa')
model = AutoModel.from_pretrained('maastrichtlawtech/camembert-base-lleqa')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print(sentence_embeddings)

📚 詳細文檔

評估結果

我們在 LLeQA 測試集上對模型進行了評估，該測試集包含 195 個法律問題和 27.9K 篇候選文章的知識庫。我們報告了平均倒數排名（MRR）、歸一化折損累積增益（NDCG）、平均精度均值（MAP）以及不同截斷點的召回率（R@k）。

訓練詳情

背景

我們使用 camembert-base 模型，並在 9.3K 個法語問題 - 文章對上進行了微調。我們採用了對比學習目標：給定一個簡短的法律問題，模型應預測出在數據集中與該問題實際配對的法律文章。具體而言，我們計算批次中每對可能組合的餘弦相似度，然後通過與真實配對進行比較，應用溫度為 0.05 的交叉熵損失。

超參數

我們在單個具有 32GB 內存的 Tesla V100 GPU 上對模型進行了 20 個 epoch（即 5.4k 步）的訓練，使用的批量大小為 32。我們使用 AdamW 優化器，初始學習率為 2e-05，權重衰減為 0.01，在前 50 步進行學習率預熱，並採用線性衰減的學習率。序列長度限制為 384 個 token。

數據

我們使用 Long-form Legal Question Answering (LLeQA) 數據集對模型進行微調。LLeQA 是一個法語原生數據集，用於研究法律信息檢索和問答任務。它包含一個由 27,941 篇比利時立法中的法定文章組成的知識庫，以及 1,868 個由比利時公民提出的法律問題，這些問題由經驗豐富的法學家根據相關文章進行了全面標註。

📄 許可證

本項目採用 Apache-2.0 許可證。

📖 引用

如果您在研究中使用了本模型，請使用以下 BibTeX 引用：

@article{louis2023interpretable,
  author = {Louis, Antoine and van Dijck, Gijs and Spanakis, Gerasimos},
  title = {Interpretable Long-Form Legal Question Answering with Retrieval-Augmented Large Language Models},
  journal = {CoRR},
  volume = {abs/2309.17050},
  year = {2023},
  url = {https://arxiv.org/abs/2309.17050},
  eprinttype = {arXiv},
  eprint = {2309.17050},
}