论文阅读_中文嵌入资源 C-Pack

中文名：C-Pack：推进一般中文嵌入的打包资源
英文名：C-Pack: Packaged Resources To Advance General Chinese Embedding
最新版本：v4：12 May 2024
资源下载：https://github.com/FlagOpen/FlagEmbedding，5.7k Star
作者: Shitao Xiao, Zheng Liu, Peitian Zhang, Niklas Muennighoff, Defu Lian, Jian-Yun Nie
机构出处：北京人工智能研究院，抱抱脸，中国人民大学，中国科技大学，蒙特利尔大学，智源正文：7 页

读后感

这篇论文的核心是：通用的中文文本嵌入。

读完之后，会对中文嵌入的模型效果、模型架构、评测方法和训练数据有更直观的了解。文档风格简洁明了，行动导向。

文中介绍的 BGE 模型是 Obsidian 插件 Smart Connection 的默认嵌入模型。我使用过，效果不错，速度也很。

摘要

目标: 介绍了 C-Pack，这是一个显著推进通用中文嵌入领域的资源包。

方法: C-Pack 包括三个关键资源：C-MTEB（涵盖 6 项任务和 35 个数据集的综合基准）、C-MTP（从标记和未标记中文语料中整理的大规模文本嵌入数据集）以及 BGE（BAAI 通用嵌入：覆盖多种规模的嵌入模型家族）。

结果: 模型 BGE/C-TEM 参数少，成本低，效果好，在 C-MTEB 上比之前的所有中文文本嵌入表现高出最多 10%，并且我们的英文文本嵌入模型在 MTEB 基准上达到了最新的性能标准。

1 引言

应用场景的多样性要求一个统一的嵌入模型。这个通用模型需要能够处理任何应用场景（例如，问答、语言建模、对话）中的各种用法（如检索、排序、分类）。

开发通用文本嵌入需要综合考虑多个因素，包括数据、编码器模型、训练方法和基准测试。这些因素共同驱动模型的改进。

2 C-Pack

2.1 Benchmark: C-MTEB

为了全面评估中文嵌入的通用性，创建了 C-MTEB。我们进行了以下重要工作：

• 全面收集数据集
• 将数据集分类为文本嵌入的不同能力属性，例如检索、相似性分析、分类等
• 标准化评估协议
• 建立评估管道

总共收集了 35 个与中文文本嵌入评估相关的公共数据集。评估任务分为以下 6 组：

• 检索（快速）：对于每个查询，在语料库中找到 Top-k 相似的文档。
• 重排序（精细）：根据嵌入相似性对每个查询检索出的文档进行重新排名。
• STS（语义文本相似性）：根据两个句子的嵌入相似性衡量它们的相关性。遵循 Sentence-BERT 方法，用 Spearman 相关系数计算结果，并作为主要指标。
• 分类：在分类任务中重用 MTEB 中的逻辑回归分类器，并以平均精度作为主要指标。
• 配对分类：处理一对输入句子，其关系由二值标签表示，通过嵌入相似性预测这种关系。
• 聚类：将句子分组为有意义的聚类。按照 MTEB 的设置，使用小批量 k-means 方法进行评估。批次大小为 32，k 值等于小批量中的标签数。

C-MTEB 的 Python 工具已在 GitHub 上提供，可直接使用。

2.2 训练数据：C-MTP

用于一般中文嵌入的训练。成对的文本构成了文本嵌入训练的数据基础，例如，一个问题及其答案、关于同一主题的两个文档。大多数数据来源于对大量未标记数据的整理，约有 1 亿个配对文本；另一小部分来自高质量标记数据的全面集成，即 C-MTP（标记），总计约有 100 万个配对文本。

未标记数据：从纯文本中提取丰富的语义成对结构，例如释义、标题和正文。为保证数据质量，采用复合数据清理策略优化原始数据。首先，进行一般过滤，去除非文本内容、重复内容和恶意内容。其次，通过语义过滤进一步处理数据，确保文本对在语义上相关。使用第三方模型 Text2VecChinese 对每个文本对的关系强度进行评分，并删除评分过低的数据。

标记数据来自 TRanking、DuReader、mMARCO、CMedQA-v2、multi-cpr、NLI-Zh、cmnli 和 ocnli 数据集。

考虑到规模和质量的差异，可以将 C-MTP（未标记）和 C-MTP（标记）应用于不同的训练阶段。

2.3 模型 BGE

模型基于类似 BERT 的架构，有三种可用的刻度：大（326M 参数）、基础（102M 参数）和小型（24M 参数）。验证表明，与 BGE 中的原始模型及其他通用预训练编码器（如 BERT）的微调模型相比，微调模型在应用中表现更好。

2.4 训练过程

训练过程由三个主要组成部分：

• 预训练：使用纯文本进行训练，利用 Wudao 语料库。这是一个用于汉语模型预训练的庞大而高质量的数据集。被污染的文本被编码到嵌入空间中，通过轻量级解码器恢复干净文本，并使用 RetroMAE 作为损失函数。
• 通用精调：使用未标记的 C-MTP 进行对比学习。通过区分配对文本和负例，利用 batch 内样本作为负例。
• 特定任务精调：使用标记的 C-MTP 进行多任务学习。由于任务类型不同，其影响可能会相互矛盾。通过明确区分任务指令和改进负采样方法，减轻任务间相互矛盾的影响。

3 实验

3.1 通用模型评测

主实验是中文 Embedding 评测，结果如表 -2 所示：

BGE 在中文文本嵌入性能上显著优于现有方法。它在检索任务中表现尤为出色，其次是在 STS、配对分类和重新排名任务中。尽管模型大小和嵌入维度的增加会提升性能，但即使是最小的 BGE 模型，效果也相当不错。

表 3 和表 4 分别展示了消融实验以证明训练步骤的有效性以及不同批量大小（batch size）的影响。表 5 则是英文排行榜，这里不再展示图片。

4 当前排行榜

https://huggingface.co/spaces/m