dpr-ctx_encoder-multiset-base

目录

• 模型详情
• 如何开始使用该模型
• 用途
• 风险、限制和偏见
• 训练
• 评估
• 环境影响
• 技术规格
• 引用信息
• 模型卡作者

模型详情

模型描述： Dense Passage Retrieval (DPR) 是用于最先进的开放领域问答研究的工具和模型。dpr-ctx_encoder-multiset-base 是使用 Natural Questions (NQ) dataset 、 TriviaQA 、 WebQuestions (WQ) 和 CuratedTREC (TREC) 进行训练的上下文编码器。

• 开发者：请参阅 GitHub repo 查看模型开发者。
• 模型类型：基于BERT的编码器。
• 语言： CC-BY-NC-4.0 ，请参阅 Code of Conduct 。
• 许可证：英语。
• 相关模型：
  • dpr-question_encoder-multiset-base
  • dpr-reader-multiset-base
  • dpr-question-encoder-single-nq-base
  • dpr-reader-single-nq-base
  • dpr-ctx_encoder-single-nq-base
• 更多信息资源：
  • Research Paper
  • GitHub Repo
  • Hugging Face DPR docs
  • BERT Base Uncased Model Card

如何开始使用该模型

使用以下代码开始使用该模型。

from transformers import DPRContextEncoder, DPRContextEncoderTokenizer

tokenizer = DPRContextEncoderTokenizer.from_pretrained("facebook/dpr-ctx_encoder-multiset-base")
model = DPRContextEncoder.from_pretrained("facebook/dpr-ctx_encoder-multiset-base")
input_ids = tokenizer("Hello, is my dog cute ?", return_tensors="pt")["input_ids"]
embeddings = model(input_ids).pooler_output

用途

dpr-ctx_encoder-multiset-base 、 dpr-question_encoder-multiset-base 和 dpr-reader-multiset-base 可用于开放领域问答任务。

该模型不应被用于故意创建对人们具有敌意或使人疏远的环境。此外，DPR模型的集合未经过训练，不能作为人或事件的确切代表，因此使用模型生成此类内容不在该模型的能力范围内。

风险、限制和偏见

内容警告：读者应注意本部分可能包含令人不安、冒犯性并且可能传递历史和当前的刻板印象的内容。

大量的研究已经探讨了语言模型的偏见和公平性问题（参见，例如 Sheng et al. (2021) 和 Bender et al. (2021) ）。该模型生成的预测可能包含跨受保护类别、身份特征和敏感社会和职业群体的令人不安和有害的刻板印象。

训练

该模型使用以下数据集进行训练：

• Natural Questions (NQ) dataset （ Lee et al., 2019 ； Kwiatkowski et al., 2019 ）
• TriviaQA （ Joshi et al., 2017 ）
• WebQuestions (WQ) （ Berant et al., 2013 ）
• CuratedTREC (TREC) （ Baudiš & Šedivý, 2015 ）

训练过程在 associated paper 中描述：

给定一组 M 个文本段落，我们密集的段落检索器（DPR）的目标是将所有段落映射到低维连续空间中，以便在运行时为阅读器高效地检索与输入问题相关的前 k 个段落。

我们的密集段落检索器（DPR）使用一个密集编码器 EP(·)，它将任何文本段落映射到 d 维实值向量，并为我们将用于检索的所有 M 个段落构建一个索引。在运行时，DPR应用一个不同的编码器 EQ(·)，它将输入问题映射到一个 d 维向量，并检索与问题向量最接近的 k 个段落向量。

作者报告称，对于编码器，他们使用了两个独立的BERT（ Devlin et al., 2019 ）网络（基本、不区分大小写），并在推理时使用FAISS（ Johnson et al., 2017 ）对段落进行编码和索引。有关训练的详细信息，包括编码器、推理、正向段和负向段以及批内负例，请参阅论文。

评估

以下评估信息摘自 associated paper 。

模型开发者报告了该模型在五个问答数据集上的性能，使用 top-k 准确率（k ∈ {20, 100}）。数据集包括 NQ 、 TriviaQA 、 WebQuestions (WQ) 、 CuratedTREC (TREC) 和 SQuAD v1.1 。

环境影响

可以使用 Machine Learning Impact calculator 在 Lacoste et al. (2019) 中提供的方法估算碳排放量。我们提供硬件类型，并根据 associated paper 进行估算。

• 硬件类型：8个32GB的GPU
• 使用小时数：未知
• 云提供商：未知
• 计算区域：未知
• 排放的碳量：未知

技术规格

有关建模架构、目标、计算基础设施和训练细节，请参阅 associated paper 。

引用信息

  @inproceedings{karpukhin-etal-2020-dense,
    title = "Dense Passage Retrieval for Open-Domain Question Answering",
    author = "Karpukhin, Vladimir and Oguz, Barlas and Min, Sewon and Lewis, Patrick and Wu, Ledell and Edunov, Sergey and Chen, Danqi and Yih, Wen-tau",
    booktitle = "Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP)",
    month = nov,
    year = "2020",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2020.emnlp-main.550",
    doi = "10.18653/v1/2020.emnlp-main.550",
    pages = "6769--6781",
}

模型卡作者

该模型卡是由Hugging Face团队撰写的。