Crossencoder Camembert Base Mmarcofr

🚀 跨编码器CamemBERT基础模型 - mMARCO法语版

这是一个用于法语的跨编码器模型。它在问题 - 段落对之间执行交叉注意力，并输出相关性得分。该模型可作为语义搜索的重排器：给定一个查询和一组由高效的第一阶段检索系统（如BM25或经过微调的密集单向量双编码器）检索到的潜在相关段落，对每个查询 - 段落对进行编码，并根据模型预测的得分按相关性降序对段落进行排序。

🚀 快速开始

本模型可结合 Sentence - Transformers、FlagEmbedding 或 Huggingface Transformers 库使用，以下是具体示例。

💻 使用示例

基础用法

使用Sentence - Transformers

首先安装 库：pip install -U sentence-transformers。然后，你可以这样使用模型：

from sentence_transformers import CrossEncoder

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

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

使用FlagEmbedding

首先安装 库：pip install -U FlagEmbedding。然后，你可以这样使用模型：

from FlagEmbedding import FlagReranker

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

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

使用HuggingFace Transformers

首先安装 库：pip install -U transformers。然后，你可以这样使用模型：

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

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

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

📚 详细文档

评估

该模型在 [mMARCO - fr](https://ir - datasets.com/mmarco.html#mmarco/v2/fr/) 的较小开发集上进行评估，该开发集包含6980个查询，需要对包含正样本和 ColBERTv2硬负样本 的1000个段落集合进行重排。我们报告了平均倒数排名（MRR）和不同截断点的召回率（R@k）。若要查看该模型与其他法语神经检索器的对比情况，请查看 DécouvrIR 排行榜。

训练

数据

我们使用 [mMARCO](https://huggingface.co/datasets/unicamp - dl/mmarco) 数据集中的法语训练样本，这是MS MARCO的多语言机器翻译版本，包含880万个段落和53.9万个训练查询。我们没有使用官方数据集提供的BM25负样本，而是使用 [msmarco - hard - negatives](https://huggingface.co/datasets/sentence - transformers/msmarco - hard - negatives#msmarco - hard - negativesjsonlgz) 蒸馏数据集，从12个不同的密集检索器中挖掘并采样更难的负样本。最终，我们采样了260万个形式为（查询、段落、相关性）的训练三元组，正样本与负样本的比例为1（即50%的对是相关的，50%是不相关的）。

实现

该模型从 [almanach/camembert - base](https://huggingface.co/almanach/camembert - base) 检查点进行初始化，并通过二元交叉熵损失进行优化（如 monoBERT 中所述）。使用AdamW优化器在一块80GB的NVIDIA H100 GPU上进行20000步的微调，批量大小为128，恒定学习率为2e - 5。我们将连接后的问题 - 段落对的最大序列长度设置为256个标记。使用sigmoid函数得到0到1之间的分数。

📄 许可证

本模型采用MIT许可证。

🔖 模型信息

📚 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',
}