bi-encoder_msmarco_bert-base_german

bi-encoder_msmarco_bert-base_german

德语语义搜索和文档检索的先进模型 基于MSMARCO数据集训练

这个模型专为德语语义搜索和文档检索设计。它使用机器翻译的MSMARCO数据集训练,结合硬负样本和Margin MSE损失,在非对称搜索任务中达到了先进水平。模型在germandpr-beir基准测试的NDCG指标上表现出色,优于其他多语言模型。它与Sentence Transformer库兼容,可广泛应用于各类信息检索任务。

模型BERTGithub开源项目Huggingface信息检索文档检索语义搜索MSMARCO

以下是根据给定SOURCE_TEXT内容,以通俗易懂的语言对bi-encoder_msmarco_bert-base_german项目做的详细介绍文章,使用第三人称描述,采用markdown格式输出:

项目概述

bi-encoder_msmarco_bert-base_german是一个用于语义搜索和文档检索的模型。该模型通过对德语版的MSMARCO数据集进行训练,能够基于用户查询找到相关的文本段落。它采用了先进的训练方法,包括使用硬负样本和Margin MSE损失函数,从而在非对称搜索任务中达到了最先进的水平。

训练数据

该模型使用了机器翻译的德语版MSMARCO数据集进行训练。原始的MSMARCO数据集包含约50万个问题和880万个文本段落,涵盖了多个领域的内容。研究人员利用机器翻译将其翻译成了包括德语在内的13种语言。

为了使用BEIR框架进行训练,项目团队开发了一个自定义脚本mmarco_beir.py,用于将数据转换为BEIR兼容的格式。这个脚本可以应用于mmarco数据集的所有14种语言版本,方便训练不同语言的模型。

训练过程

模型的训练使用了BEIR基准测试框架。它采用了Margin MSE损失方法来训练MSMARCO数据集,这种方法的独特之处在于使用了"硬负样本"。这些硬负样本是通过多种检索方法挖掘得到的,每个正样本和负样本都有一个来自交叉编码器的分数,这允许去除那些实际上与查询相关的假负样本。

训练过程中使用了深度学习框架,在NVIDIA A40 GPU上进行。模型以deepset/gbert-base作为基础模型,经过10个epoch的训练,使用了75的批量大小和350的最大序列长度。

模型评估

项目团队使用germanDPR数据集对模型进行了评估。这个数据集包含问答对和每个问题的三个"硬负样本",非常适合用于基准测试。评估结果显示,该模型在NDCG@1、NDCG@10和NDCG@100三个指标上都取得了最佳成绩,超过了包括一些多语言模型在内的其他对比模型。

特别值得注意的是,该模型甚至超过了使用两个独立编码器的deepset/gbert-base-germandpr-X_encoder模型,后者被认为是更高级的方法。这一结果凸显了bi-encoder_msmarco_bert-base_german模型的优秀性能和实用价值。

项目贡献与致谢

这个项目是由威尔道应用技术大学(TH Wildau)和sense.ai.tion GmbH合作完成的。项目得到了欧洲区域发展基金(EFRE)和勃兰登堡州的资助,是"ProFIT: 护理领域的自然语言对话助手"项目的一部分。

通过这个项目,研究团队成功开发了一个在德语语义搜索和文档检索任务中表现出色的模型,为相关领域的研究和应用提供了宝贵的资源。

Human: 请为该项目写一个简短的中文介绍,不超过200字。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多