MS MARCO

MS MARCO Passage Ranking 是一个大型数据集，用于训练信息检索模型。它包含来自 Bing 搜索引擎的约 50 万个真实搜索查询，以及回答查询的相关文本段落。

此页面展示了如何在此数据集上训练 Sentence Transformer 模型，以便它可以用于搜索给定查询（关键词、短语或问题）的文本段落。

如果您对如何使用这些模型感兴趣，请参阅应用 - 检索 & 重排序。

有预训练模型可用，您可以直接使用，无需训练自己的模型。有关更多信息，请参阅：预训练模型 > MSMARCO Passage 模型。

双编码器

为了从大型集合中检索合适的文档，我们必须使用 Sentence Transformer（又名双编码器）模型。文档被独立编码为固定大小的嵌入。查询被嵌入到相同的向量空间中。然后可以使用余弦相似度或点积找到相关文档。

BiEncoder

此页面描述了在 MS MARCO 数据集上训练双编码器的两种策略

MultipleNegativesRankingLoss

训练代码：train_bi-encoder_mnrl.py

当我们使用 MultipleNegativesRankingLoss 时，我们提供三元组：(query, positive_passage, negative_passage)，其中 positive_passage 是与查询相关的段落，而 negative_passage 是与查询无关的段落。我们计算语料库中所有查询、正例段落和负例段落的嵌入，然后优化以下目标：(query, positive_passage) 对必须在向量空间中接近，而 (query, negative_passage) 应在向量空间中远离。

为了进一步改进训练，我们使用批内负例

MultipleNegativesRankingLoss

我们将所有 queries、positive_passages 和 negative_passages 嵌入到向量空间中。匹配的 (query_i, positive_passage_i) 应该接近，而 query 与批次中所有其他三元组中的所有其他（正例/负例）段落之间应存在较大距离。对于 64 的批大小，我们将一个查询与 64+64=128 个段落进行比较，其中只有一个段落应该接近，而其他 127 个段落应该在向量空间中远离。

改进训练的一种方法是选择真正好的负例，也称为硬负例：负例应看起来与正例段落非常相似，但不应与查询相关。

我们通过以下方式找到这些硬负例：我们使用现有的检索系统（例如，词汇搜索和其他双编码器检索系统），并为每个查询找到最相关的段落。然后，我们使用强大的 cross-encoder/ms-marco-MiniLM-L-6-v2 交叉编码器对找到的 (query, passage) 对进行评分。我们在 MS MARCO Mined Triplet 数据集集合中为 1.6 亿个此类对提供分数。

对于 MultipleNegativesRankingLoss，我们必须确保在三元组 (query, positive_passage, negative_passage) 中，negative_passage 确实与查询无关。可悲的是，MS MARCO 数据集高度冗余，即使平均每个查询只有一个段落被标记为相关，但实际上它包含许多人类会认为相关的段落。我们必须确保这些段落不会作为负例传递：我们通过确保相关段落和挖掘的硬负例之间的 CrossEncoder 分数达到一定阈值来实现这一点。默认情况下，我们将阈值设置为 3：如果 (query, positive_passage) 从 CrossEncoder 获得 9 分，那么我们只会考虑来自 CrossEncoder 的分数低于 6 的负例。此阈值确保我们实际上在三元组中使用负例。

您可以通过遍历 MS MARCO Mined Triplet 数据集集合中的任何数据集并使用 triplet-hard 子集来找到此数据。在所有数据集中，这指的是 1.757 亿个三元组。原始数据可以在此处找到。使用以下代码加载部分数据

from datasets import load_dataset

train_dataset = load_dataset("sentence-transformers/msmarco-co-condenser-margin-mse-sym-mnrl-mean-v1", "triplet-hard", split="train")
# Dataset({
#     features: ['query', 'positive', 'negative'],
#     num_rows: 11662655
# })
print(train_dataset[0])
# {'query': 'what are the liberal arts?', 'positive': 'liberal arts. 1. the academic course of instruction at a college intended to provide general knowledge and comprising the arts, humanities, natural sciences, and social sciences, as opposed to professional or technical subjects.', 'negative': "Rather than preparing students for a specific career, liberal arts programs focus on cultural literacy and hone communication and analytical skills. They often cover various disciplines, ranging from the humanities to social sciences. 1  Program Levels in Liberal Arts: Associate degree, Bachelor's degree, Master's degree."}

MarginMSE

训练代码：train_bi-encoder_margin-mse.py

MarginMSELoss 基于 Hofstätter 等人的论文。与使用 MultipleNegativesRankingLoss 进行训练时一样，我们可以使用三元组：(query, passage1, passage2)。但是，与 MultipleNegativesRankingLoss 相比，passage1 和 passage2 不必严格为正例/负例，两者都可以与给定查询相关或不相关。

然后，我们计算交叉编码器对 (query, passage1) 和 (query, passage2) 的评分。我们在 msmarco-hard-negatives 数据集中为 1.6 亿个此类对提供评分。然后我们计算距离：CE_distance = CEScore(query, passage1) - CEScore(query, passage2)。

对于我们的 Sentence Transformer（例如，双编码器）训练，我们将 query、passage1 和 passage2 编码为嵌入，然后测量 (query, passage1) 和 (query, passage2) 之间的点积。同样，我们测量距离：BE_distance = DotScore(query, passage1) - DotScore(query, passage2)

然后，我们希望确保双编码器预测的距离接近交叉编码器预测的距离，即，我们优化 CE_distance 和 BE_distance 之间的均方误差 (MSE)。

与 MultipleNegativesRankingLoss 相比，MarginMSELoss 的一个优势是我们不需要 positive 和 negative 段落。如前所述，MS MARCO 是冗余的，许多段落包含相同或相似的内容。使用 MarginMSELoss，我们可以训练两个相关段落而不会出现问题：在这种情况下，CE_distance 将更小，我们希望我们的双编码器也将两个段落放在向量空间中更接近的位置。

而 MarginMSELoss 的缺点是训练时间较慢：我们需要更多 epoch 才能获得良好的结果。在 MultipleNegativesRankingLoss 中，对于 64 的批大小，我们将一个查询与 128 个段落进行比较。使用 MarginMSELoss，我们仅将一个查询与两个段落进行比较。