Auslaw Embed V1.0

🚀 澳大利亚法律嵌入模型 v1.0

澳大利亚法律嵌入模型 v1.0 是一个基于 sentence-transformers 的模型，它能够将句子和段落映射到 384 维的密集向量空间，可用于聚类或语义搜索等任务。该模型在澳大利亚法律场景下表现出色，为法律文本处理提供了强大的支持。

🚀 快速开始

若要使用此模型，需先安装 sentence-transformers：

pip install -U sentence-transformers

安装完成后，即可按如下方式使用该模型：

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('adlumal/auslaw-embed-v1.0')
embeddings = model.encode(sentences)
print(embeddings)

✨ 主要特性

• 向量映射：能够将句子和段落映射到 384 维的密集向量空间。
• 多任务支持：可用于聚类或语义搜索等任务。
• 微调优化：基于 BAAI/bge-small-en 模型，使用澳大利亚高等法院（HCA）判例法进行微调。

📦 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

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('adlumal/auslaw-embed-v1.0')
embeddings = model.encode(sentences)
print(embeddings)

📚 详细文档

评估结果

模型在 10% 的可用数据上进行了评估，最终步骤的自动评估结果如下：

训练参数

模型使用以下参数进行训练：

数据加载器： torch.utils.data.dataloader.DataLoader，长度为 2583，参数如下：

{'batch_size': 50, 'sampler': 'torch.utils.data.sampler.SequentialSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数： sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数如下：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

fit() 方法的参数：

{
    "epochs": 2,
    "evaluation_steps": 50,
    "evaluator": "sentence_transformers.evaluation.InformationRetrievalEvaluator.InformationRetrievalEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 516,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Normalize()
)

🔧 技术细节

该模型是基于 BAAI/bge-small-en 进行微调的。使用了澳大利亚高等法院（HCA）判例法在 Open Australian Legal Corpus 中的数据，未使用 PDF/OCR 案例。案例使用 bge-small-en 分词器和 semchunk 分割成小于 512 的上下文块。使用 mistralai/Mixtral-8x7B-Instruct-v0.1 为每个上下文块生成法律问题，共使用 129,137 个上下文 - 问题对进行训练，14,348 个上下文 - 问题对进行评估。

性能对比

使用验证数据集的 10% 子集，该模型达到了以下命中率性能，并与基础模型和 OpenAI 的默认 ada 嵌入模型进行了比较：

📄 许可证

本项目采用 Apache-2.0 许可证。

📖 引用与作者

@misc{malec-2024-auslaw-embed-v1,
    author = {Malec, Adrian Lucas},
    year = {2024},
    title = {AusLaw Embedding v1.0},
    publisher = {Hugging Face},
    version = {1.0},
    url = {https://huggingface.co/adlumal/auslaw-embed-v1.0}
}