访问官网
Github
Huggingface
文档
论文以下是根据给定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。
