/ Модель

Характеристики

Контекст
512 токенов
Параметры
40 млн
Архитектура
bert · dense
Опубликована
27 авг 2023

nixie-suggest-small-v1

ЭмбеддингиТекст → embedding4 профессии

Модель Nixiesearch кодирует неполные и ошибочные английские запросы в векторы для поиска подходящих подсказок и полных запросов.

493скачиваний за 30 дней0лайковвеса обновлены27 авг 2023

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

nixiesearch/nixie-suggest-small-v1 — модель Sentence Transformers от Nixiesearch для поиска и сопоставления коротких пользовательских запросов с их полными вариантами. Она построена на E5-small-v2 и дообучена на синтетических примерах, имитирующих ввод подсказок: неполных слов, пропусков, перестановок и повторов букв, а также замен клавишами рядом на клавиатуре.

Модель кодирует текст в плотные векторы размерности 384 и подходит для семантического поиска, подбора подсказок, кластеризации и оценки сходства. Архитектура — BERT; размер — около 40 млн параметров, контекст — до 512 токенов. Обучающие данные основаны на частотных английских словах и n-граммах. Модель асимметрична: для короткого неполного запроса используется префикс «query: », а для полного запроса или текста-кандидата — «passage: ».

Модель рассчитана прежде всего на английские слова и короткие поисковые запросы с опечатками; качество на других языках README не подтверждает. Доступны веса PyTorch и ONNX. Условия лицензии в предоставленных данных не описаны.

Сценарии применения

  • подбор поисковых подсказок по началу запроса
  • поиск полного запроса по фрагменту с опечаткой
  • сопоставление слов с перестановками или пропусками букв
  • семантический поиск по коротким английским запросам
  • кластеризация похожих пользовательских запросов

Ограничения

Обучение ориентировано на английские слова и короткие запросы; поддержку других языков README не подтверждает. Для корректного сопоставления нужно соблюдать асимметричные префиксы «query: » и «passage: ».

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

nixie-suggest-small-v1

This is a sentence-transformers model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic search.

This model is based on E5-small-v2 model, fine-tuned for typical suggester-like workloads:

  • for a partial and noisy input of the query, it tries to minimize the cosine distance to the correct query
  • 'mil' should be close to 'milk'
  • model also prone to typical typos like letter drops/swaps/duplications. So 'mikl' is still close to 'milk'.
  • the model is asymmetrical (as the original E5), so you need to prepend your prefixes with 'query: ' and full queries with 'passage: '

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
sentences = ["query: mil", "passage: milk"]

model = SentenceTransformer('nixiesearch/nixie-suggest-small-v1')
embeddings = model.encode(sentences)
print(embeddings)

Training dataset

The training dataset was syntetically generated from the following corpora:

We did the following permutations to the original 1/2/3-grams:

  • letter swaps: milk-mikl
  • letter drops: milk-ilk
  • qwerty-aware replacements: milk-nilk
  • duplications: milk-miilk

The original generation code is available on github: https://github.com/nixiesearch/autocomplete-playground

Training

The model was trained with the parameters:

DataLoader:

torch.utils.data.dataloader.DataLoader of length 220359 with parameters:

{'batch_size': 2048, 'sampler': 'torch.utils.data.dataloader._InfiniteConstantSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Loss:

sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss with parameters:

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

Parameters of the fit()-Method:

{
    "epochs": 1,
    "evaluation_steps": 3000,
    "evaluator": "sentence_transformers.evaluation.RerankingEvaluator.RerankingEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": 220358,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

Full Model Architecture

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

Citing & Authors

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
082bf7c

0 моделей