多语言 E5 文本嵌入:技术报告。 Liang Wang、Nan Yang、Xiaolong Huang、Linjun Yang、Rangan Majumder、Furu Wei,arXiv 2024
该模型包含 12 层,嵌入维度为 384。
以下是对 MS-MARCO 段落排序数据集中的查询和段落进行编码的示例。
import torch.nn.functional as F
from torch import Tensor
from transformers import AutoTokenizer, AutoModel
def average_pool(last_hidden_states: Tensor,
attention_mask: Tensor) -> Tensor:
last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]
# Each input text should start with "query: " or "passage: ", even for non-English texts.
# For tasks other than retrieval, you can simply use the "query: " prefix.
input_texts = ['query: how much protein should a female eat',
'query: 南瓜的家常做法',
"passage: As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.",
"passage: 1.清炒南瓜丝 原料:嫩南瓜半个 调料:葱、盐、白糖、鸡精 做法: 1、南瓜用刀薄薄的削去表面一层皮,用勺子刮去瓤 2、擦成细丝(没有擦菜板就用刀慢慢切成细丝) 3、锅烧热放油,入葱花煸出香味 4、入南瓜丝快速翻炒一分钟左右,放盐、一点白糖和鸡精调味出锅 2.香葱炒南瓜 原料:南瓜1只 调料:香葱、蒜末、橄榄油、盐 做法: 1、将南瓜去皮,切成片 2、油锅8成热后,将蒜末放入爆香 3、爆香后,将南瓜片放入,翻炒 4、在翻炒的同时,可以不时地往锅里加水,但不要太多 5、放入盐,炒匀 6、南瓜差不多软和绵了之后,就可以关火 7、撒入香葱,即可出锅"]
tokenizer = AutoTokenizer.from_pretrained('intfloat/multilingual-e5-small')
model = AutoModel.from_pretrained('intfloat/multilingual-e5-small')
# Tokenize the input texts
batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt')
outputs = model(**batch_dict)
embeddings = average_pool(outputs.last_hidden_state, batch_dict['attention_mask'])
# normalize embeddings
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:2] @ embeddings[2:].T) * 100
print(scores.tolist())本模型基于 microsoft/Multilingual-MiniLM-L12-H384 初始化,并在多语言数据集混合上持续训练。它支持 xlm-roberta 所涵盖的 100 种语言,但低资源语言的性能可能会有所下降。
初始化:microsoft/Multilingual-MiniLM-L12-H384
第一阶段:带弱监督的对比预训练
| 数据集 | 弱监督方式 | 文本对数量 |
|---|---|---|
| 经过筛选的 mC4 | (标题,页面内容) | 10 亿 |
| CC News | (标题,新闻内容) | 4 亿 |
| NLLB | 翻译对 | 24 亿 |
| Wikipedia | (层级章节标题,段落) | 1.5 亿 |
| 经过筛选的 Reddit | (评论,回复) | 8 亿 |
| S2ORC | (标题,摘要)及引用对 | 1 亿 |
| Stackexchange | (问题,答案) | 5000 万 |
| xP3 | (输入提示,响应) | 8000 万 |
| Miscellaneous unsupervised SBERT data | - | 1000 万 |
第二阶段:有监督微调
| 数据集 | 语言 | 文本对数量 |
|---|---|---|
| MS MARCO | 英语 | 50 万 |
| NQ | 英语 | 7 万 |
| Trivia QA | 英语 | 6 万 |
| NLI from SimCSE | 英语 | <30 万 |
| ELI5 | 英语 | 50 万 |
| DuReader Retrieval | 中文 | 8.6 万 |
| KILT Fever | 英语 | 7 万 |
| KILT HotpotQA | 英语 | 7 万 |
| SQuAD | 英语 | 8.7 万 |
| Quora | 英语 | 15 万 |
| Mr. TyDi | 11 种语言 | 5 万 |
| MIRACL | 16 种语言 | 4 万 |
对于所有带标签的数据集,我们仅使用其训练集进行微调。
其他训练细节,请参考我们的论文:https://arxiv.org/pdf/2402.05672。
| 模型 | 平均 MRR@10 | ar | bn | en | fi | id | ja | ko | ru | sw | te | th | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| BM25 | 33.3 | 36.7 | 41.3 | 15.1 | 28.8 | 38.2 | 21.7 | 28.1 | 32.9 | 39.6 | 42.4 | 41.7 | |
| mDPR | 16.7 | 26.0 | 25.8 | 16.2 | 11.3 | 14.6 | 18.1 | 21.9 | 18.5 | 7.3 | 10.6 | 13.5 | |
| BM25 + mDPR | 41.7 | 49.1 | 53.5 | 28.4 | 36.5 | 45.5 | 35.5 | 36.2 | 42.7 | 40.5 | 42.0 | 49.2 | |
| multilingual-e5-small | 64.4 | 71.5 | 66.3 | 54.5 | 57.7 | 63.2 | 55.4 | 54.3 | 60.8 | 65.4 | 89.1 | 70.1 | |
| multilingual-e5-base | 65.9 | 72.3 | 65.0 | 58.5 | 60.8 | 64.9 | 56.6 | 55.8 | 62.7 | 69.0 | 86.6 | 72.7 | |
| multilingual-e5-large | 70.5 | 77.5 | 73.2 | 60.8 | 66.8 | 68.5 | 62.5 | 61.6 | 65.8 | 72.7 | 90.2 | 76.2 |
查看 unilm/e5 以复现 BEIR 和 MTEB 基准 上的评估结果。
以下是使用 sentence_transformers 的示例。
from sentence_transformers import SentenceTransformer
model = SentenceTransformer('intfloat/multilingual-e5-small')
input_texts = [
'query: how much protein should a female eat',
'query: 南瓜的家常做法',
"passage: As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 i s 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or traini ng for a marathon. Check out the chart below to see how much protein you should be eating each day.",
"passage: 1.清炒南瓜丝 原料:嫩南瓜半个 调料:葱、盐、白糖、鸡精 做法: 1、南瓜用刀薄薄的削去表面一层皮 ,用勺子刮去瓤 2、擦成细丝(没有擦菜板就用刀慢慢切成细丝) 3、锅烧热放油,入葱花煸出香味 4、入南瓜丝快速翻炒一分钟左右, 放盐、一点白糖和鸡精调味出锅 2.香葱炒南瓜 原料:南瓜1只 调料:香葱、蒜末、橄榄油、盐 做法: 1、将南瓜去皮,切成片 2、油 锅8成热后,将蒜末放入爆香 3、爆香后,将南瓜片放入,翻炒 4、在翻炒的同时,可以不时地往锅里加水,但不要太多 5、放入盐,炒匀 6、南瓜差不多软和绵了之后,就可以关火 7、撒入香葱,即可出锅"
]
embeddings = model.encode(input_texts, normalize_embeddings=True)pip install sentence_transformers~=2.2.2
贡献者:michaelfeil
1. 是否需要在输入文本前添加前缀“query: ”和“passage: ”?
是的,这是模型的训练方式,否则会导致性能下降。
以下是一些经验法则:
对于非对称任务,如开放域问答中的段落检索、特定主题信息检索等,应分别使用“query: ”和“passage: ”。
对于对称任务,如语义相似度计算、双语文本挖掘、复述检索等,使用“query: ”前缀。
如果希望将嵌入向量用作特征,如线性探针分类、聚类等,使用“query: ”前缀。
2. 为什么我复现的结果与模型卡片中报告的结果略有不同?
transformers 和 pytorch 的不同版本可能会导致微小但非零的性能差异。
3. 为什么余弦相似度分数分布在 0.7 到 1.0 之间?
这是已知且预期的行为,因为我们在 InfoNCE 对比损失中使用了 0.01 的低温度参数。
对于文本检索或语义相似度等文本嵌入任务,重要的是分数的相对顺序而非绝对值,因此这不应构成问题。
如果您觉得我们的论文或模型有帮助,请考虑按以下方式引用:
@article{wang2024multilingual,
title={Multilingual E5 Text Embeddings: A Technical Report},
author={Wang, Liang and Yang, Nan and Huang, Xiaolong and Yang, Linjun and Majumder, Rangan and Wei, Furu},
journal={arXiv preprint arXiv:2402.05672},
year={2024}
}长文本将被截断为最多 512 个 tokens。