/ Модель

Характеристики

Контекст
512 токенов
Параметры
40 млн
Лицензия
cc
Архитектура
bert · dense
Базовая модель
all-MiniLM-L12-v2
Библиотека
sentence-transformers
Опубликована
21 июн 2026

MiniLM-searchkeys

ЭмбеддингиТекст → embedding6 профессий

Дообученный энкодер MiniLM ранжирует кандидаты ключевых фраз по релевантности к документу, включая фразы, отсутствующие в его тексте.

94скачиваний за 30 дней0лайковвеса обновлены21 июн 2026

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

MiniLM-searchkeys — англоязычный энкодер Sentence Transformers, дообученный Saber Zahhar, Nédra Mellouli, Christophe Rodrigues и Nicolas Travers в рамках SearchKeys для многодоменного ранжирования ключевых фраз. Модель кодирует документ и кандидаты ключевых фраз в общее 384-мерное пространство; косинусное сходство служит оценкой релевантности, в том числе для фраз, которых буквально нет в документе.

Модель предназначена для ранжирующего компонента конвейера предсказания ключевых фраз с поиском по размеченному корпусу: кандидаты сначала извлекаются, например BM25-поиском по близким документам, а затем сортируются по эмбеддинговому сходству, при необходимости с учётом частоты кандидата. Обучение объединяет датасеты компьютерной науки, биомедицины и новостей, поэтому модель рассчитана на эти три области. Это BERT-подобная модель на базе sentence-transformers/all-MiniLM-L12-v2 с 40 млн параметров; принимает текст и возвращает эмбеддинги. Контекст составляет 512 токенов, более длинный текст обрезается. Лицензия — CC; точный вариант лицензии в предоставленных данных не уточнён.

Сценарии применения

  • ранжирование кандидатов ключевых фраз для научной статьи
  • извлечение ключевых фраз из биомедицинского текста
  • подбор ключевых фраз для новостной статьи
  • оценка релевантности фразы документу по косинусному сходству
  • поиск ключевых фраз в конвейере с BM25 и корпусом размеченных документов

Ограничения

Модель предназначена для ранжирования кандидатов в составе retrieval-конвейера, а не для генерации ключевых фраз или общего семантического поиска. Вход длиннее 512 токенов обрезается; качество зависит от покрытия кандидатов в поисковой выборке.

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

MiniLM-searchkeys

MiniLM-searchkeys is a sentence-transformers encoder fine-tuned for multi-domain keyphrase ranking as part of SearchKeys, a retrieval-augmented encoder-only alternative to seq2seq keyphrase prediction. It maps documents and candidate keyphrases into a shared 384-dimensional space, where cosine similarity reflects keyphrase relevance — including for absent keyphrases (phrases that do not literally appear in the source text).

This model is the fine-tuned encoder described in:

Saber Zahhar, Nédra Mellouli, Christophe Rodrigues, Nicolas Travers. Multi-Domain Keyphrase Prediction via Retrieval-Augmented Ranking: A Resource-Efficient Alternative to Seq2Seq Generation. DKE 2026.

Code and full pipeline: github.com/saberzahhar/dke2026kp

How it works: SearchKeys

Instead of generating keyphrases token-by-token, SearchKeys retrieves and ranks:

  1. Candidate pooling — a test document is queried (via BM25) against an indexed training corpus, and the gold keyphrases of the top-D nearest training documents are pooled as candidates.
  2. Semantic ranking — this model embeds the test document and every candidate keyphrase, then candidates are ranked by cosine similarity (optionally weighted by candidate recurrence frequency across the retrieved pool).

Because candidates come from a real annotated corpus rather than a vocabulary distribution, this approach is able to surface relevant keyphrases that are absent from the source document — something generative decoders struggle with.

Training procedure

This model starts from the pretrained sentence-transformers/all-MiniLM-L12-v2 checkpoint and is fine-tuned with a contrastive, multi-label objective tailored to keyphrase ranking.

  • Loss: Multi-Label Supervised Contrastive Learning (MulSupCon), which constructs one positive set per gold keyphrase label rather than a single anchor–positive–negative triplet, so documents sharing more keyphrases pull on each other proportionally harder. This consistently outperformed a masked Multiple Negatives Ranking (mMNR) alternative, especially on absent keyphrases.
  • Batching: retrieval-guided batches of 384 documents, built by iteratively adding the nearest unselected neighbours of a seed document, to form semantically coherent batches (and therefore more informative in-batch negatives/positives).
  • Curriculum: batches presented in order of average loss (easy → hard) outperformed random batch ordering.
  • Schedule: 10 epochs, AdamW, learning rate 2e-5, weight decay 0.01, cosine LR decay, warm-up ratio 0.1, max sequence length 512 tokens, contrastive temperature 0.05.
  • Checkpoint selection: validation F1@5 plateaus around epoch 7, which is the checkpoint released here.
  • Compute: fine-tuning took ~4.5 hours/epoch on a single NVIDIA Tesla V100 32GB.

Training data

Fine-tuning combines three multi-domain keyphrase datasets, used jointly (not domain-specialized):

DatasetDomainTrain docs
kp20kComputer science (ACM DL, ScienceDirect, Wiley, etc.)530.8k
kpbiomedBiomedical (PubMed)500k
kptimesNews (NYTimes / Japan Times)259.9k

Intended uses

This model is intended to be used as the ranking encoder in a retrieval-augmented keyphrase prediction pipeline, not as a general-purpose sentence embedder. Given a document and a pool of candidate keyphrases (e.g. pooled via BM25 retrieval from an annotated corpus), it produces embeddings whose cosine similarity is a strong relevance signal for both present and absent keyphrases.

It is best paired with:

  • a lexical retriever (BM25 performed best as the retrieval backbone in our experiments, outperforming dense retrievers including all-MiniLM-L12-v2 and mxbai-embed-large-v1 on candidate recall);
  • a retrieval depth of D≈7 retrieved neighbours for candidate pooling;
  • cosine similarity weighted by candidate frequency across the retrieved pool as the final scoring function (no diversification/MMR penalty).

By default, input text longer than 512 word pieces is truncated.

Usage (Sentence-Transformers)

pip install -U sentence-transformers
from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

model = SentenceTransformer("sabsab129/MiniLM-searchkeys")

document = "A feedback vertex set of 2-degenerate graphs..."
candidates = [
    "feedback vertex set",
    "decycling set",
    "2-degenerate graphs",
    "rank-width",
    "fixed-parameter algorithm",
]

doc_embedding = model.encode(document)
candidate_embeddings = model.encode(candidates)

scores = cos_sim(doc_embedding, candidate_embeddings)[0]
ranked = sorted(zip(candidates, scores.tolist()), key=lambda x: -x[1])
print(ranked)

Citation

If you use this model, please cite the paper:

@inproceedings{zahhar2026searchkeys,
  title     = {Multi-Domain Keyphrase Prediction via Retrieval-Augmented Ranking: A Resource-Efficient Alternative to Seq2Seq Generation},
  author    = {Zahhar, Saber and Mellouli, N{\'e}dra and Rodrigues, Christophe and Travers, Nicolas},
  booktitle = {DKE 2026},
  year      = {2026}
}

Acknowledgements

This model is fine-tuned from sentence-transformers/all-MiniLM-L12-v2, originally developed by the Sentence-Transformers team during the Hugging Face JAX/Flax Community Week, based on microsoft/MiniLM-L12-H384-uncased.

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
2881619

0 моделей