Crossencoder Camembert Large Mmarcofr

🚀 跨編碼器CamemBERT大模型mMARCO法語版

這是一個用於法語的跨編碼器模型。它在問題 - 段落對之間執行交叉注意力，並輸出相關性得分。該模型可作為語義搜索的重排器：給定一個查詢和一組由高效的第一階段檢索系統（如BM25或經過微調的密集單向量雙編碼器）檢索到的潛在相關段落，對每個查詢 - 段落對進行編碼，並根據模型預測的得分按相關性降序對段落進行排序。

🚀 快速開始

本模型可搭配Sentence - Transformers、FlagEmbedding或Huggingface Transformers使用，以下是使用示例。

📦 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

使用Sentence - Transformers

from sentence_transformers import CrossEncoder

pairs = [('Question', 'Paragraphe 1'), ('Question', 'Paragraphe 2') , ('Question', 'Paragraphe 3')]

model = CrossEncoder('antoinelouis/crossencoder-camembert-large-mmarcoFR')
scores = model.predict(pairs)
print(scores)

使用FlagEmbedding

from FlagEmbedding import FlagReranker

pairs = [('Question', 'Paragraphe 1'), ('Question', 'Paragraphe 2') , ('Question', 'Paragraphe 3')]

reranker = FlagReranker('antoinelouis/crossencoder-camembert-large-mmarcoFR')
scores = reranker.compute_score(pairs)
print(scores)

使用HuggingFace Transformers

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

pairs = [('Question', 'Paragraphe 1'), ('Question', 'Paragraphe 2') , ('Question', 'Paragraphe 3')]

tokenizer = AutoTokenizer.from_pretrained('antoinelouis/crossencoder-camembert-large-mmarcoFR')
model = AutoModelForSequenceClassification.from_pretrained('antoinelouis/crossencoder-camembert-large-mmarcoFR')
model.eval()

with torch.no_grad():
    inputs = tokenizer(pairs, padding=True, truncation=True, return_tensors='pt', max_length=512)
    scores = model(**inputs, return_dict=True).logits.view(-1, ).float()
print(scores)

📚 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6980個查詢，需要對包含正例和ColBERTv2硬負例的1000個段落集合進行重排。我們報告了平均倒數排名（MRR）和不同截斷點的召回率（R@k）。若要查看該模型與其他法語神經檢索器的對比情況，請查看DécouvrIR排行榜。

訓練

數據

我們使用了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負例，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的更難的負例。最終，我們採樣了260萬個形式為（查詢、段落、相關性）的訓練三元組，正例與負例的比例為1（即50%的對是相關的，50%是不相關的）。

實現

該模型從almanach/camembert - large檢查點初始化，並通過二元交叉熵損失進行優化（如monoBERT）。使用AdamW優化器在一塊80GB的NVIDIA H100 GPU上進行20000步的微調，批量大小為128，恆定學習率為2e - 5。我們將連接後的問題 - 段落對的最大序列長度設置為256個標記。我們使用sigmoid函數來獲得0到1之間的分數。

📄 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',
}

📋 模型信息