Biencoder Camembert Base Mmarcofr

🚀 biencoder-camembert-base-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768維的密集向量，通過餘弦相似度計算相關性。

🚀 快速開始

本模型可以使用 Sentence-Transformers、FlagEmbedding 或 Huggingface Transformers 進行調用，以下是使用示例。

💻 使用示例

基礎用法

使用 Sentence-Transformers

首先安裝 庫：pip install -U sentence-transformers。然後，你可以這樣使用該模型：

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-camembert-base-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

首先安裝 庫：pip install -U FlagEmbedding。然後，你可以這樣使用該模型：

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-camembert-base-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 Transformers

首先安裝 庫：pip install -U transformers。然後，你可以這樣使用該模型：

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-camembert-base-mmarcoFR')
model = AutoModel.from_pretrained('antoinelouis/biencoder-camembert-base-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，該數據集包含 6980 個查詢和 880 萬個候選段落的語料庫。我們報告了平均倒數排名（MRR）、歸一化折損累計增益（NDCG）、平均精度均值（MAP）以及不同截斷點的召回率（R@k）。要查看它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 camembert-base 檢查點初始化，並通過交叉熵損失（如 DPR 中所述）進行優化，溫度為 0.05。使用 AdamW 優化器在一個 32GB 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。使用餘弦相似度來計算相關性得分。

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',
}

📄 許可證

本項目採用 MIT 許可證。

📦 模型信息