Crossencoder Electra Base Mmarcofr

🚀 跨編碼器-Electra基礎法語-mMARCOFR

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（例如，BM25 或微調後的密集單向量雙編碼器）檢索出的潛在相關段落，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

本模型可以結合 Sentence-Transformers、FlagEmbedding 或 Huggingface Transformers 庫使用，下面是具體的使用示例。

📦 安裝指南

根據使用的不同庫，需要提前安裝相應的依賴，安裝命令如下：

• Sentence-Transformers：pip install -U sentence-transformers
• FlagEmbedding：pip install -U FlagEmbedding
• Huggingface Transformers：pip install -U transformers

💻 使用示例

基礎用法

使用 Sentence-Transformers

from sentence_transformers import CrossEncoder

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

model = CrossEncoder('antoinelouis/crossencoder-electra-base-french-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-electra-base-french-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-electra-base-french-mmarcoFR')
model = AutoModelForSequenceClassification.from_pretrained('antoinelouis/crossencoder-electra-base-french-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，需要對包含正樣本和 ColBERTv2 硬負樣本 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 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，而是從 12 個不同的密集檢索器中挖掘出更難的負樣本，使用 msmarco-hard-negatives 蒸餾數據集。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，正樣本與負樣本的比例為 1（即 50% 的對是相關的，50% 是不相關的）。

實現

該模型從 dbmdz/electra-base-french-europeana-cased-discriminator 檢查點初始化，並通過二元交叉熵損失進行優化（如 monoBERT 中所述）。使用 AdamW 優化器在一個 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。使用 sigmoid 函數獲得 0 到 1 之間的分數。

📄 許可證

本模型採用 MIT 許可證。

🔧 技術細節

📚 引用

如果您使用了本模型，請引用以下文獻：

@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',
}