Multilingual-E5-large

Multilingual E5 Text Embeddings: A Technical Report. Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder, Furu Wei, arXiv 2024

该模型有 24 层，嵌入维度为 1024。

使用方法

以下是编码 MS-MARCO passage 排名数据集中查询和段落的示例。

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]


# 每个输入文本应以 "query: " 或 "passage: " 开头，即使是非英语文本。
# 对于检索以外的任务，可以简单地使用 "query: " 前缀。
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-large')
model = AutoModel.from_pretrained('intfloat/multilingual-e5-large')

# 对输入文本进行分词
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'])

# 归一化嵌入向量
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:2] @ embeddings[2:].T) * 100
print(scores.tolist())

支持的语言

该模型从 xlm-roberta-large 初始化，并在多语言数据集的混合数据上持续训练。 它支持来自 xlm-roberta 的 100 种语言，但低资源语言可能会出现性能下降。

训练细节

初始化: xlm-roberta-large

第一阶段: 采用弱监督的对比预训练

第二阶段: 监督微调

对于所有标注数据集，我们仅使用其训练集进行微调。

其他训练细节请参阅我们的论文 https://arxiv.org/pdf/2402.05672。

Mr. TyDi 上的基准测试结果

MTEB 基准评估

请查看 unilm/e5 以复现 BEIR 和 MTEB 基准 上的评估结果。

Sentence Transformers 支持

以下是使用 sentence_transformers 的示例。

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('intfloat/multilingual-e5-large')
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)

包依赖要求

pip install sentence_transformers~=2.2.2

贡献者: michaelfeil

常见问题

1. 我需要在输入文本中添加 "query: " 和 "passage: " 前缀吗？

是的，这是模型训练的方式，否则您会看到性能下降。

以下是一些经验法则：

• 对于非对称任务（如开放问答中的段落检索、 ad-hoc 信息检索），相应地使用 "query: " 和 "passage: "。

• 对于对称任务（如语义相似性、双语文本挖掘、释义检索），使用 "query: " 前缀。

• 如果您想将嵌入向量作为特征使用（如线性探测分类、聚类），请使用 "query: " 前缀。

2. 为什么我复现的结果与模型卡上报告的结果略有不同？

不同版本的 transformers 和 pytorch 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，因为我们使用低温 0.01 的 InfoNCE 对比损失。

对于文本嵌入任务（如文本检索或语义相似性），重要的是分数的相对顺序而不是绝对值，所以这不是问题。

引用

如果您发现我们的论文或模型对您有帮助，请考虑以下引用方式：

@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}
}

局限性

长文本将被截断至最多 512 个 token。