基于平衡主题感知采样（TAS-B）训练的 DistilBert 密集段落检索模型

我们提供了一个基于 DistilBert 的检索训练模型（我们将这种“双编码器+点积评分”架构称为 BERT_Dot），该模型在 MSMARCO-Passage 数据集上采用平衡主题感知采样进行训练。

本模型实例的训练批次大小为 256，可用于候选集重排序或直接基于向量索引的密集检索。其架构为 6 层 DistilBERT，未对架构进行任何添加或修改（仅在训练过程中调整权重）——通过对 CLS 向量进行池化来获取查询/段落表示。查询和段落编码使用相同的 BERT 层（这样能获得更好的结果，并降低内存需求）。

如果您想了解更多关于我们高效（可在单块消费级 GPU 上 48 小时内完成）的批次组合过程以及用于密集检索训练的双重监督方法，请查阅我们的论文：https://arxiv.org/abs/2104.06967 🎉

有关更多信息和最小化使用示例，请访问：https://github.com/sebastian-hofstaetter/tas-balanced-dense-retrieval

在 MSMARCO Passage 和 TREC-DL'19 上的效果

我们的模型在经过 TAS-B 方法重新采样的 MSMARCO 标准（“小型”-400K 查询）训练三元组上进行训练。教师模型方面，我们使用了 BERT_CAT 成对分数以及 ColBERT 模型来提供批内负样本信号，相关内容发布于：https://github.com/sebastian-hofstaetter/neural-ranking-kd

MSMARCO-DEV（7K）

TREC-DL'19

对于 MRR 和 Recall，我们使用推荐的等级相关性二值化点 2。与其他二值化点数值相比，这可能会使结果产生偏差。

TREC-DL'20

对于MRR和Recall指标，我们采用推荐的等级相关性二值化阈值2。与其他二值化阈值相比，这可能会使结果产生偏差。

有关更多基线、信息和分析，请参见论文：https://arxiv.org/abs/2104.06967

局限性与偏差

• 该模型继承了DistilBERT和MSMARCO的社会偏见。

• 该模型仅在MSMARCO的相对较短段落（平均长度60词）上进行训练，因此可能难以处理较长文本。

引用

如果您使用我们的模型检查点，请按以下方式引用我们的工作：

@inproceedings{Hofstaetter2021_tasb_dense_retrieval,
 author = {Sebastian Hofst{\"a}tter and Sheng-Chieh Lin and Jheng-Hong Yang and Jimmy Lin and Allan Hanbury},
 title = {{Efficiently Teaching an Effective Dense Retriever with Balanced Topic Aware Sampling}},
 booktitle = {Proc. of SIGIR},
 year = {2021},
}