MS MARCO 交叉编码器

MS MARCO 是一个大规模信息检索语料库，它基于必应（Bing）搜索引擎的真实用户搜索查询创建。所提供的模型可用于语义搜索，即，给定关键词/搜索短语/问题，模型将找到与搜索查询相关的段落。

训练数据包含超过 50 万个样本，而完整的语料库包含超过 880 万个段落。

在 SentenceTransformers 中使用

可以像这样使用预训练模型

from sentence_transformers import CrossEncoder

model = CrossEncoder("model_name", max_length=512)
scores = model.predict(
    [("Query", "Paragraph1"), ("Query", "Paragraph2"), ("Query", "Paragraph3")]
)

在 Transformers 中使用

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained("model_name")
tokenizer = AutoTokenizer.from_pretrained("model_name")

features = tokenizer(["Query", "Query"], ["Paragraph1", "Paragraph2"], padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = model(**features).logits
    print(scores)

模型与性能

在下表中，我们提供了各种预训练的交叉编码器及其在 TREC 深度学习 2019 和 MS MARCO 段落重排序 数据集上的性能。

模型名称	NDCG@10 (TREC DL 19)	MRR@10 (MS Marco Dev)	文档数/秒
版本 2 模型
cross-encoder/ms-marco-TinyBERT-L2-v2	69.84	32.56	9000
cross-encoder/ms-marco-MiniLM-L2-v2	71.01	34.85	4100
cross-encoder/ms-marco-MiniLM-L4-v2	73.04	37.70	2500
cross-encoder/ms-marco-MiniLM-L6-v2	74.30	39.01	1800
cross-encoder/ms-marco-MiniLM-L12-v2	74.31	39.02	960
版本 1 模型
cross-encoder/ms-marco-TinyBERT-L2	67.43	30.15	9000
cross-encoder/ms-marco-TinyBERT-L4	68.09	34.50	2900
cross-encoder/ms-marco-TinyBERT-L6	69.57	36.13	680
cross-encoder/ms-marco-electra-base	71.99	36.41	340
其他模型
nboost/pt-tinybert-msmarco	63.63	28.80	2900
nboost/pt-bert-base-uncased-msmarco	70.94	34.75	340
nboost/pt-bert-large-msmarco	73.36	36.48	100
Capreolus/electra-base-msmarco	71.23	36.89	340
amberoad/bert-multilingual-passage-reranking-msmarco	68.40	35.54	330
sebastian-hofstaetter/distilbert-cat-margin_mse-T2-msmarco	72.82	37.88	720

注意：运行时间是在 V100 GPU 上使用 Hugging Face Transformers v4 计算的。