🚀 MMLW-retrieval-roberta-base

MMLW（必须有更好的消息）是用于波兰语的神经文本编码器。该模型针对信息检索任务进行了优化，能够将查询和段落转换为768维向量。

🚀 快速开始

MMLW（必须有更好的消息）是用于波兰语的神经文本编码器。此模型针对信息检索任务进行了优化，它可以将查询和段落转换为768维向量。

该模型采用两步流程开发：

• 第一步，使用波兰语RoBERTa检查点进行初始化，然后在包含6000万对波兰语 - 英语文本对的多样化语料库上，采用多语言知识蒸馏方法进行训练。我们使用英语FlagEmbeddings (BGE)作为蒸馏的教师模型。
• 第二步，在波兰语MS MARCO训练分割集上，使用对比损失对得到的模型进行微调。为了提高对比训练的效率，我们使用了大批次大小——小型模型为1152，基础模型为768，大型模型为288。微调在12个A100 GPU的集群上进行。

⚠️ 重要提示

2023 - 12 - 26：我们已将模型更新到新版本，结果有所改进。你仍可以使用 v1 标签下载之前的版本：AutoModel.from_pretrained("sdadas/mmlw-retrieval-roberta-base", revision="v1")

✨ 主要特性

• 语言支持：专为波兰语设计的神经文本编码器。
• 任务优化：针对信息检索任务进行了优化。
• 向量转换：能够将查询和段落转换为768维向量。
• 训练方式：采用两步训练流程，结合多语言知识蒸馏和对比损失微调。

💻 使用示例

基础用法

⚠️ 重要提示

我们的密集检索器在编码文本时需要使用特定的前缀和后缀。对于此模型，每个查询应在前面加上前缀 "zapytanie: "

你可以使用sentence - transformers以如下方式使用该模型：

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

query_prefix = "zapytanie: "
answer_prefix = ""
queries = [query_prefix + "Jak dożyć 100 lat?"]
answers = [
    answer_prefix + "Trzeba zdrowo się odżywiać i uprawiać sport.",
    answer_prefix + "Trzeba pić alkohol, imprezować i jeździć szybkimi autami.",
    answer_prefix + "Gdy trwała kampania politycy zapewniali, że rozprawią się z zakazem niedzielnego handlu."
]
model = SentenceTransformer("sdadas/mmlw-retrieval-roberta-base")
queries_emb = model.encode(queries, convert_to_tensor=True, show_progress_bar=False)
answers_emb = model.encode(answers, convert_to_tensor=True, show_progress_bar=False)

best_answer = cos_sim(queries_emb, answers_emb).argmax().item()
print(answers[best_answer])
# Trzeba zdrowo się odżywiać i uprawiać sport.

📚 详细文档

评估结果

该模型在波兰语信息检索基准测试中实现了 NDCG@10 为 56.38 的成绩。详细结果请参阅PIRB排行榜。

致谢

此模型在格但斯克工业大学TASK中心计划提供的A100 GPU集群支持下进行训练。

引用

@article{dadas2024pirb,
  title={{PIRB}: A Comprehensive Benchmark of Polish Dense and Hybrid Text Retrieval Methods}, 
  author={Sławomir Dadas and Michał Perełkiewicz and Rafał Poświata},
  year={2024},
  eprint={2402.13350},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}

📄 许可证

本项目采用Apache 2.0许可证。