Biencoder Mminilmv2 L12 Mmarcofr

🚀 biencoder-mMiniLMv2-L12-mmarcoFR

這是一個用於法語的密集單向量雙編碼器模型，可用於語義搜索。該模型將查詢和段落映射到384維的密集向量，通過餘弦相似度計算相關性。

🚀 快速開始

以下是使用 Sentence-Transformers、FlagEmbedding 或 Huggingface Transformers 調用此模型的示例。

📦 安裝指南

使用 Sentence-Transformers

首先安裝 庫：

pip install -U sentence-transformers

使用 FlagEmbedding

首先安裝 庫：

pip install -U FlagEmbedding

使用 Huggingface Transformers

首先安裝 庫：

pip install -U transformers

💻 使用示例

基礎用法

使用 Sentence-Transformers

from sentence_transformers import SentenceTransformer

queries = ["Ceci est un exemple de requête.", "Voici un second exemple."]
passages = ["Ceci est un exemple de passage.", "Et voilà un deuxième exemple."]

model = SentenceTransformer('antoinelouis/biencoder-mMiniLMv2-L12-mmarcoFR')
q_embeddings = model.encode(queries, normalize_embeddings=True)
p_embeddings = model.encode(passages, normalize_embeddings=True)

similarity = q_embeddings @ p_embeddings.T
print(similarity)

使用 FlagEmbedding

from FlagEmbedding import FlagModel

queries = ["Ceci est un exemple de requête.", "Voici un second exemple."]
passages = ["Ceci est un exemple de passage.", "Et voilà un deuxième exemple."]

model = FlagModel('antoinelouis/biencoder-mMiniLMv2-L12-mmarcoFR')
q_embeddings = model.encode(queries, normalize_embeddings=True)
p_embeddings = model.encode(passages, normalize_embeddings=True)

similarity = q_embeddings @ p_embeddings.T
print(similarity)

使用 Huggingface Transformers

from transformers import AutoTokenizer, AutoModel
from torch.nn.functional import normalize

def mean_pooling(model_output, attention_mask):
    """ Perform mean pooling on-top of the contextualized word embeddings, while ignoring mask tokens in the mean computation."""
    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)


queries = ["Ceci est un exemple de requête.", "Voici un second exemple."]
passages = ["Ceci est un exemple de passage.", "Et voilà un deuxième exemple."]

tokenizer = AutoTokenizer.from_pretrained('antoinelouis/biencoder-mMiniLMv2-L12-mmarcoFR')
model = AutoModel.from_pretrained('antoinelouis/biencoder-mMiniLMv2-L12-mmarcoFR')

q_input = tokenizer(queries, padding=True, truncation=True, return_tensors='pt')
p_input = tokenizer(passages, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
    q_output = model(**encoded_queries)
    p_output = model(**encoded_passages)
q_embeddings = mean_pooling(q_output, q_input['attention_mask'])
q_embedddings = normalize(q_embeddings, p=2, dim=1)
p_embeddings = mean_pooling(p_output, p_input['attention_mask'])
p_embedddings = normalize(p_embeddings, p=2, dim=1)

similarity = q_embeddings @ p_embeddings.T
print(similarity)

📚 詳細文檔

評估

該模型在 mMARCO-fr 的較小開發集上進行評估，該開發集包含880萬個候選段落語料庫中的6980個查詢。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）。要查看該模型與其他法語神經檢索器的比較情況，請查看 DécouvrIR 排行榜。

訓練

數據

我們使用 mMARCO 數據集中的法語訓練樣本，這是MS MARCO的多語言機器翻譯版本，包含880萬個段落和53.9萬個訓練查詢。我們沒有使用官方數據集提供的BM25負樣本，而是使用 msmarco-hard-negatives 蒸餾數據集，從12個不同的密集檢索器中挖掘出更難的負樣本。

實現

該模型從 nreimers/mMiniLMv2-L12-H384-distilled-from-XLMR-Large 檢查點初始化，並通過交叉熵損失（如 DPR 中所述）進行優化，溫度設置為0.05。使用AdamW優化器，在一個32GB的NVIDIA V100 GPU上進行20個epoch（即65700步）的微調，批量大小為152，峰值學習率為2e-5，在前500步進行熱身並採用線性調度。我們將問題和段落的最大序列長度都設置為128個標記。使用餘弦相似度計算相關性得分。

📄 許可證

本項目採用MIT許可證。

📚 引用

@online{louis2024decouvrir,
	author    = 'Antoine Louis',
	title     = 'DécouvrIR: A Benchmark for Evaluating the Robustness of Information Retrieval Models in French',
	publisher = 'Hugging Face',
	month     = 'mar',
	year      = '2024',
	url       = 'https://huggingface.co/spaces/antoinelouis/decouvrir',
}

信息表格