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: camembert-base model-index:
• name: biencoder-camembert-base-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: 89.1
    • type: recall_at_100 name: Recall@100 value: 77.8
    • type: recall_at_10 name: Recall@10 value: 51.5
    • type: map_at_10 name: MAP@10 value: 27.9
    • type: ndcg_at_10 name: nDCG@10 value: 33.7
    • type: mrr_at_10 name: MRR@10 value: 28.5

biencoder-camembert-base-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Sentence-Transformers、FlagEmbedding或Huggingface Transformers的示例。

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。", "这是另一个示例。"]

model = SentenceTransformer('antoinelouis/biencoder-camembert-base-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。", "这是另一个示例。"]

model = FlagModel('antoinelouis/biencoder-camembert-base-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] # model_output的第一个元素包含所有标记嵌入
    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。", "这是另一个示例。"]

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

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(MAP)以及不同截断点的召回率(R@k)。要了解其在法语神经检索模型中的表现，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负样本，使用了msmarco-hard-negatives蒸馏数据集。

实现

模型从camembert-base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65.7k步），使用AdamW优化器，批量大小为152，峰值学习率为2e-5，前500步预热并线性调度。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: 法语信息检索模型鲁棒性评估基准',
	publisher = 'Hugging Face',
	month     = '三月',
	year      = '2024',
	url       = 'https://huggingface.co/spaces/antoinelouis/decouvrir',
}