pipeline_tag: 句子相似度 language: 法语 license: mit datasets:

• unicamp-dl/mmarco metrics:
• 召回率 tags:
• 段落检索 library_name: sentence-transformers base_model: dbmdz/electra-base-french-europeana-cased-discriminator model-index:
• name: biencoder-electra-base-french-mmarcoFR results:
  • task: type: 句子相似度 name: 段落检索 dataset: type: unicamp-dl/mmarco name: mMARCO-fr config: 法语 split: 验证集 metrics:
    • type: recall_at_500 name: Recall@500 value: 81.6
    • type: recall_at_100 name: Recall@100 value: 69.0
    • type: recall_at_10 name: Recall@10 value: 43.5
    • type: map_at_10 name: MAP@10 value: 22.9
    • type: ndcg_at_10 name: nDCG@10 value: 28.0
    • type: mrr_at_10 name: MRR@10 value: 23.4

biencoder-electra-base-french-mmarcoFR

这是一个用于法语的密集单向量双编码器模型，可用于语义搜索。该模型将查询和段落映射到768维密集向量，通过余弦相似度计算相关性。

使用方法

以下是使用该模型的示例，可以通过Sentence-Transformers、FlagEmbedding或Huggingface Transformers实现。

使用Sentence-Transformers

首先安装库：pip install -U sentence-transformers。然后可以这样使用模型：

from sentence_transformers import SentenceTransformer

queries = ["这是一个查询示例。", "这是第二个示例。"]
passages = ["这是一个段落示例。", "这是第二个段落示例。"]

model = SentenceTransformer('antoinelouis/biencoder-electra-base-french-mmarcoFR')
q_embeddings = model.encode(queries, normalize_embeddings=True)
p_embeddings = model.encode(passages, normalize_embeddings=True)

similarity = q_embeddings @ p_embeddings.T
print(similarity)

使用FlagEmbedding

首先安装库：pip install -U FlagEmbedding。然后可以这样使用模型：

from FlagEmbedding import FlagModel

queries = ["这是一个查询示例。", "这是第二个示例。"]
passages = ["这是一个段落示例。", "这是第二个段落示例。"]

model = FlagModel('antoinelouis/biencoder-electra-base-french-mmarcoFR')
q_embeddings = model.encode(queries, normalize_embeddings=True)
p_embeddings = model.encode(passages, normalize_embeddings=True)

similarity = q_embeddings @ p_embeddings.T
print(similarity)

使用Transformers

首先安装库：pip install -U transformers。然后可以这样使用模型：

from transformers import AutoTokenizer, AutoModel
from torch.nn.functional import normalize

def mean_pooling(model_output, attention_mask):
    """在上下文词嵌入上执行均值池化，同时忽略掩码标记。"""
    token_embeddings = model_output[0] #模型输出的第一个元素包含所有词嵌入
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


queries = ["这是一个查询示例。", "这是第二个示例。"]
passages = ["这是一个段落示例。", "这是第二个段落示例。"]

tokenizer = AutoTokenizer.from_pretrained('antoinelouis/biencoder-electra-base-french-mmarcoFR')
model = AutoModel.from_pretrained('antoinelouis/biencoder-electra-base-french-mmarcoFR')

q_input = tokenizer(queries, padding=True, truncation=True, return_tensors='pt')
p_input = tokenizer(passages, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
    q_output = model(**encoded_queries)
    p_output = model(**encoded_passages)
q_embeddings = mean_pooling(q_output, q_input['attention_mask'])
q_embedddings = normalize(q_embeddings, p=2, dim=1)
p_embeddings = mean_pooling(p_output, p_input['attention_mask'])
p_embedddings = normalize(p_embeddings, p=2, dim=1)

similarity = q_embeddings @ p_embeddings.T
print(similarity)

评估

该模型在mMARCO-fr的较小开发集上进行评估，该数据集包含6,980个查询和880万候选段落。我们报告了平均倒数排名（MRR）、归一化折损累积增益（NDCG）、平均精度均值（MAP）以及不同截断点的召回率（R@k）。要了解它与其他法语神经检索模型的比较，请查看DécouvrIR排行榜。

训练

数据

我们使用来自mMARCO数据集的法语训练样本，这是MS MARCO的多语言机器翻译版本，包含880万段落和53.9万训练查询。我们没有使用官方数据集提供的BM25负样本，而是从12个不同的密集检索器中挖掘更难的负样本，使用了msmarco-hard-negatives蒸馏数据集。

实现

模型从dbmdz/electra-base-french-europeana-cased-discriminator检查点初始化，并通过交叉熵损失（如DPR）优化，温度为0.05。在一块32GB NVIDIA V100 GPU上微调20个周期（即62.4k步），使用AdamW优化器，批量大小为160，峰值学习率为2e-5，前500步预热并采用线性调度。我们将问题和段落的最大序列长度设置为128个标记。使用余弦相似度计算相关性分数。

引用

@online{louis2024decouvrir,
	author    = 'Antoine Louis',
	title     = 'DécouvrIR: 评估法语信息检索模型鲁棒性的基准',
	publisher = 'Hugging Face',
	month     = '三月',
	year      = '2024',
	url       = 'https://huggingface.co/spaces/antoinelouis/decouvrir',
}