/ Модель

Характеристики

Контекст
512 токенов
Параметры
195 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
2 мар 2022

bert-multilingual-passage-reranking-msmarco

Классификация текстаТекст → label6 профессий

Мультиязычная модель на базе BERT оценивает релевантность пары «поисковый запрос — текстовый фрагмент» для повторного ранжирования результатов поиска.

6 599скачиваний за 30 дней88лайковвеса обновлены26 авг 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

amber-tech/bert-multilingual-passage-reranking-msmarco — мультиязычная модель ранжирования пассажей, дообученная на данных MS MARCO. Она принимает поисковый запрос и текстовый фрагмент, оценивает их соответствие и выдаёт оценку от −10 до 10; более высокое значение означает более релевантную пару. Модель построена на BERT с полносвязной сетью над вектором CLS размерности 768 и содержит 194,6 млн параметров.

Модель предназначена для повторного ранжирования первых результатов поиска, например для повышения релевантности выдачи Elasticsearch. README заявляет поддержку более 100 языков, хотя обучение проводилось на англоязычных данных; автор также сообщает о хороших результатах на немецких запросах. Суммарный вход запроса и фрагмента ограничен 512 токенами, а указанное время обработки составляет около 300 мс на запрос на GPU.

Модель доступна по лицензии Apache-2.0. Скорость может ограничивать её применение к большим наборам результатов; заявленные улучшения релевантности основаны на оценках автора и не гарантируют такой же эффект на других поисковых системах и данных.

Сценарии применения

  • повторное ранжирование результатов поиска
  • оценка релевантности пассажей поисковому запросу
  • улучшение выдачи Elasticsearch
  • отбор наиболее подходящих фрагментов для ответа на запрос

Ограничения

Пара запроса и фрагмента должна помещаться в 512 токенов; указанная скорость обработки на GPU — около 300 мс на запрос. Обучение велось на англоязычных данных, поэтому качество на других языках может различаться.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Passage Reranking Multilingual BERT 🔃 🌍

Model description

Input: Supports over 100 Languages. See List of supported languages for all available.

Purpose: This module takes a search query [1] and a passage [2] and calculates if the passage matches the query. It can be used as an improvement for Elasticsearch Results and boosts the relevancy by up to 100%.

Architecture: On top of BERT there is a Densly Connected NN which takes the 768 Dimensional [CLS] Token as input and provides the output (Arxiv).

Output: Just a single value between between -10 and 10. Better matching query,passage pairs tend to have a higher a score.

Intended uses & limitations

Both query[1] and passage[2] have to fit in 512 Tokens. As you normally want to rerank the first dozens of search results keep in mind the inference time of approximately 300 ms/query.

How to use

from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("amberoad/bert-multilingual-passage-reranking-msmarco")

model = AutoModelForSequenceClassification.from_pretrained("amberoad/bert-multilingual-passage-reranking-msmarco")

This Model can be used as a drop-in replacement in the Nboost Library Through this you can directly improve your Elasticsearch Results without any coding.

Training data

This model is trained using the Microsoft MS Marco Dataset. This training dataset contains approximately 400M tuples of a query, relevant and non-relevant passages. All datasets used for training and evaluating are listed in this table. The used dataset for training is called Train Triples Large, while the evaluation was made on Top 1000 Dev. There are 6,900 queries in total in the development dataset, where each query is mapped to top 1,000 passage retrieved using BM25 from MS MARCO corpus.

Training procedure

The training is performed the same way as stated in this README. See their excellent Paper on Arxiv.

We changed the BERT Model from an English only to the default BERT Multilingual uncased Model from Google.

Training was done 400 000 Steps. This equaled 12 hours an a TPU V3-8.

Eval results

We see nearly similar performance than the English only Model in the English Bing Queries Dataset. Although the training data is English only internal Tests on private data showed a far higher accurancy in German than all other available models.

Fine-tuned ModelsDependencyEval SetSearch BoostSpeed on GPU
amberoad/Multilingual-uncased-MSMARCO (This Model)bing queries+61% (0.29 vs 0.18)~300 ms/query
nboost/pt-tinybert-msmarcobing queries+45% (0.26 vs 0.18)~50ms/query
nboost/pt-bert-base-uncased-msmarcobing queries+62% (0.29 vs 0.18)~300 ms/query
nboost/pt-bert-large-msmarcobing queries+77% (0.32 vs 0.18)-
nboost/pt-biobert-base-msmarcobiomed+66% (0.17 vs 0.10)~300 ms/query

This table is taken from nboost and extended by the first line.

Contact Infos

Amberoad is a company focussing on Search and Business Intelligence. We provide you:

  • Advanced Internal Company Search Engines thorugh NLP
  • External Search Egnines: Find Competitors, Customers, Suppliers

Get in Contact now to benefit from our Expertise:

The training and evaluation was performed by Philipp Reissel and Igli Manaj

Amberoad Linkedin | Homepage | Email

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForSequenceClassification
Ревизия весов
59162c6

0 моделей