GATE Reranker V1

🚀 GATE-Reranker-V1

NAMAA-space 發佈了 GATE-Reranker-V1，這是一款經過微調的高性能模型，旨在將阿拉伯語文檔的檢索和排序提升到新的高度！ 📚🇸🇦

該模型旨在通過根據給定查詢的上下文匹配度對文檔進行準確排序，從而提高阿拉伯語文檔的 搜索相關性。

✨ 主要特性

• 專為阿拉伯語優化：基於高性能的 Omartificial-Intelligence-Space/GATE-AraBert-v1 構建，並使用了豐富的阿拉伯語數據進行訓練。
• 先進的文檔排序：能夠精確地對結果進行排序，非常適合搜索引擎、推薦系統和問答應用。
• 卓越的性能表現：與著名的重排模型相比，該模型取得了出色的性能（參見 評估），確保了可靠的相關性和準確性。

📦 安裝指南

原文檔未提及安裝步驟，跳過該章節。

💻 使用示例

基礎用法

當你安裝了 SentenceTransformers 後，使用起來會更加方便。你可以像這樣使用預訓練模型：

from sentence_transformers import CrossEncoder
model = CrossEncoder('NAMAA-Space/GATE-Reranker-V1', max_length=512)

Query = 'كيف يمكن استخدام التعلم العميق في معالجة الصور الطبية؟'
Paragraph1 = 'التعلم العميق يساعد في تحليل الصور الطبية وتشخيص الأمراض'
Paragraph2 = 'الذكاء الاصطناعي يستخدم في تحسين الإنتاجية في الصناعات'

scores = model.predict([(Query, Paragraph1), (Query, Paragraph2)])

高級用法

原文檔未提及高級用法，跳過該部分。

📚 詳細文檔

示例用例

• 檢索增強生成：提高阿拉伯語內容的搜索結果相關性。
• 內容推薦：提供頂級的阿拉伯語內容推薦。
• 問答系統：提升以阿拉伯語為中心的系統中答案檢索的質量。

評估

我們使用 MAP、MRR 和 NDCG@10 這三個指標，在兩個不同的數據集上對我們的模型進行了評估：

本次評估的目的是突出我們的模型在處理相關/不相關標籤以及正/多負文檔方面的性能：

• 數據集 1：NAMAA-Space/Ar-Reranking-Eval
• 數據集 2：NAMAA-Space/Arabic-Reranking-Triplet-5-Eval

可以看出，與其他著名的重排模型相比，該模型的表現非常出色。

待辦事項：在更多阿拉伯語數據集上進行更多的比較和評估。

🔧 技術細節

原文檔未提及技術細節，跳過該章節。

📄 許可證

本項目採用 Apache-2.0 許可證。