Silver Retriever Base V1
Silver Retriever是一个针对波兰语的神经检索模型,专门用于句子相似度和段落检索任务。
下载量 554
发布时间 : 8/16/2023
模型简介
该模型将波兰语句子或段落编码为768维密集向量空间,可用于文档检索或语义搜索等任务。基于HerBERT-base初始化,并在PolQA和MAUPQA数据集上微调。
模型特点
高效段落检索
专门针对波兰语优化的段落检索能力,在多个波兰语数据集上表现优异
768维密集向量
将句子或段落编码为768维密集向量,适合语义搜索任务
多数据集训练
在PolQA和MAUPQA数据集上微调,提高了模型性能
模型能力
句子相似度计算
段落检索
语义搜索
问答系统支持
使用案例
信息检索
波兰语问答系统
用于构建波兰语问答系统的检索组件
在PolQA数据集上达到87.24%的准确率
文档检索
帮助用户快速找到相关文档段落
在Allegro FAQ数据集上达到94.56%的准确率
🚀 银色检索器基础版 (v1)
银色检索器模型能够将波兰语的句子或段落编码为768维的密集向量空间,可用于文档检索或语义搜索等任务。
它基于 HerBERT-base 模型进行初始化,并在 PolQA 和 MAUPQA 数据集上进行了15,000步的微调,批量大小为1,024。更多详细信息请参考 SilverRetriever: Advancing Neural Passage Retrieval for Polish Question Answering。
🚀 快速开始
银色检索器模型可用于将波兰语句子或段落编码为768维的密集向量空间,适用于文档检索和语义搜索等任务。以下将介绍其使用方法。
✨ 主要特性
- 基于 HerBERT-base 模型初始化。
- 在 PolQA 和 MAUPQA 数据集上微调。
- 能够将波兰语句子或段落编码为768维的密集向量空间。
📦 安装指南
使用此模型前,需安装 sentence-transformers:
pip install -U sentence-transformers
💻 使用示例
基础用法
使用 sentence-transformers
库进行推理:
from sentence_transformers import SentenceTransformer
sentences = [
"Pytanie: W jakim mieście urodził się Zbigniew Herbert?",
"Zbigniew Herbert</s>Zbigniew Bolesław Ryszard Herbert (ur. 29 października 1924 we Lwowie, zm. 28 lipca 1998 w Warszawie) – polski poeta, eseista i dramaturg.",
]
model = SentenceTransformer('ipipan/silver-retriever-base-v1')
embeddings = model.encode(sentences)
print(embeddings)
高级用法
不使用 sentence-transformers 库,直接使用 HuggingFace Transformers
进行推理:
from transformers import AutoTokenizer, AutoModel
import torch
def cls_pooling(model_output, attention_mask):
return model_output[0][:,0]
# Sentences we want sentence embeddings for
sentences = [
"Pytanie: W jakim mieście urodził się Zbigniew Herbert?",
"Zbigniew Herbert</s>Zbigniew Bolesław Ryszard Herbert (ur. 29 października 1924 we Lwowie, zm. 28 lipca 1998 w Warszawie) – polski poeta, eseista i dramaturg.",
]
# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('ipipan/silver-retriever-base-v1')
model = AutoModel.from_pretrained('ipipan/silver-retriever-base-v1')
# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# Compute token embeddings
with torch.no_grad():
model_output = model(**encoded_input)
# Perform pooling. In this case, cls pooling.
sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])
print("Sentence embeddings:")
print(sentence_embeddings)
📚 详细文档
评估结果
模型 | 平均 [准确率] | 平均 [归一化折损累计增益] | PolQA [准确率] | PolQA [归一化折损累计增益] | Allegro FAQ [准确率] | Allegro FAQ [归一化折损累计增益] | 法律问题 [准确率] | 法律问题 [归一化折损累计增益] |
---|---|---|---|---|---|---|---|---|
BM25 | 74.87 | 51.81 | 61.35 | 24.51 | 66.89 | 48.71 | 96.38 | 82.21 |
BM25 (词元化) | 80.46 | 55.44 | 71.49 | 31.97 | 75.33 | 55.70 | 94.57 | 78.65 |
MiniLM-L12-v2 | 62.62 | 39.21 | 37.24 | 11.93 | 71.67 | 51.25 | 78.97 | 54.44 |
LaBSE | 64.89 | 39.47 | 46.23 | 15.53 | 67.11 | 46.71 | 81.34 | 56.16 |
mContriever-Base | 86.31 | 60.37 | 78.66 | 36.30 | 84.44 | 67.38 | 95.82 | 77.42 |
E5-Base | 91.58 | 66.56 | 86.61 | 46.08 | 91.89 | 75.90 | 96.24 | 77.69 |
ST-DistilRoBERTa | 73.78 | 48.29 | 48.43 | 16.73 | 84.89 | 64.39 | 88.02 | 63.76 |
ST-MPNet | 76.66 | 49.99 | 56.80 | 21.55 | 86.00 | 65.44 | 87.19 | 62.99 |
HerBERT-QA | 84.23 | 54.36 | 75.84 | 32.52 | 85.78 | 63.58 | 91.09 | 66.99 |
银色检索器 v1 | 92.45 | 66.72 | 87.24 | 43.40 | 94.56 | 79.66 | 95.54 | 77.10 |
银色检索器 v1.1 | 93.18 | 67.55 | 88.60 | 44.88 | 94.00 | 79.83 | 96.94 | 77.95 |
图例说明:
- 准确率 指的是前10个结果的准确率。
- 归一化折损累计增益 指的是前10个结果的归一化折损累计增益。
模型完整架构
SentenceTransformer(
(0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)
额外信息
模型创建者
该模型由来自 波兰科学院计算机科学研究所 的 Piotr Rybak 创建。
这项工作得到了欧洲区域发展基金的支持,是2014 - 2020年智能增长运营计划、CLARIN — 通用语言资源与技术基础设施项目(项目编号:POIR.04.02.00 - 00C002/19)的一部分。
许可信息
CC BY - SA 4.0
引用信息
@inproceedings{rybak-ogrodniczuk-2024-silver-retriever,
title = "Silver Retriever: Advancing Neural Passage Retrieval for {P}olish Question Answering",
author = "Rybak, Piotr and
Ogrodniczuk, Maciej",
editor = "Calzolari, Nicoletta and
Kan, Min-Yen and
Hoste, Veronique and
Lenci, Alessandro and
Sakti, Sakriani and
Xue, Nianwen",
booktitle = "Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)",
month = may,
year = "2024",
address = "Torino, Italia",
publisher = "ELRA and ICCL",
url = "https://aclanthology.org/2024.lrec-main.1291",
pages = "14826--14831",
abstract = "Modern open-domain question answering systems often rely on accurate and efficient retrieval components to find passages containing the facts necessary to answer the question. Recently, neural retrievers have gained popularity over lexical alternatives due to their superior performance. However, most of the work concerns popular languages such as English or Chinese. For others, such as Polish, few models are available. In this work, we present Silver Retriever, a neural retriever for Polish trained on a diverse collection of manually or weakly labeled datasets. Silver Retriever achieves much better results than other Polish models and is competitive with larger multilingual models. Together with the model, we open-source five new passage retrieval datasets.",
}
输入准备
该模型是在问题 - 段落对上进行训练的,当输入格式与训练时的格式相同时,效果最佳:
- 在问题开头添加短语
Pytanie:
。 - 训练段落由
标题
和文本
用特殊标记</s>
连接而成。即使你的段落没有标题
,在段落前添加</s>
标记仍然有益。 - 尽管训练时使用了点积,但该模型通常使用余弦距离效果更好。
🔧 技术细节
该模型基于 HerBERT-base 模型进行初始化,并在 PolQA 和 MAUPQA 数据集上进行了15,000步的微调,批量大小为1,024。通过这种方式,模型能够将波兰语句子或段落编码为768维的密集向量空间,以用于文档检索和语义搜索等任务。
📄 许可证
CC BY - SA 4.0
Jina Embeddings V3
Jina Embeddings V3 是一个多语言句子嵌入模型,支持超过100种语言,专注于句子相似度和特征提取任务。
文本嵌入
Transformers 支持多种语言

J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
基于MS Marco段落排序任务训练的交叉编码器模型,用于信息检索中的查询-段落相关性评分
文本嵌入 英语
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
基于蒸馏技术的稀疏检索模型,专为OpenSearch优化,支持免推理文档编码,在搜索相关性和效率上优于V1版本
文本嵌入
Transformers 英语

O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
基于PubMedBERT的生物医学实体表征模型,通过自对齐预训练优化语义关系捕捉
文本嵌入 英语
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Large 是一个强大的句子转换器模型,专注于句子相似度和文本嵌入任务,在多个基准测试中表现出色。
文本嵌入 英语
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 是一个英文句子转换器模型,专注于句子相似度任务,在多个文本嵌入基准测试中表现优异。
文本嵌入
Transformers 支持多种语言

G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base 是一个多语言的句子嵌入模型,支持超过50种语言,适用于句子相似度计算等任务。
文本嵌入
Transformers 支持多种语言

G
Alibaba-NLP
1.2M
246
Polybert
polyBERT是一个化学语言模型,旨在实现完全由机器驱动的超快聚合物信息学。它将PSMILES字符串映射为600维密集指纹,以数值形式表示聚合物化学结构。
文本嵌入
Transformers

P
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
基于土耳其语BERT的句子嵌入模型,专为语义相似度任务优化
文本嵌入
Transformers 其他

B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
基于BAAI/bge-small-en-v1.5模型微调的文本嵌入模型,通过MEDI数据集与MTEB分类任务数据集训练,优化了检索任务的查询编码能力。
文本嵌入
Safetensors 英语
G
avsolatorio
945.68k
29
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98