通过负样本挖掘炼出更强Embedding模型

一句话总结：Conan-Embedding模型，旨在通过利用更多和更高质量的负样本来提升嵌入模型的能力。

论文原文： https://arxiv.org/pdf/2408.15710

研究方法

预训练阶段:

• 使用标准数据过滤方法（参考Internlm2）对数据进行预处理。

• 使用bge-large-zh-v1.5模型进行评分，丢弃评分低于0.4的数据。

• 使用InfoNCE损失函数和In-Batch Negative方法进行训练，公式如下：

  其中，表示正样本的查询，表示正样本的段落，表示同一批次中其他样本的段落，视为负样本。

监督微调阶段:

• 将任务分为检索和语义文本相似性（STS）两类。

• 检索任务使用InfoNCE损失函数，公式如下：

  其中，表示查询，表示正样本，表示负样本。

• STS任务使用CoSENT损失函数，公式如下：

  其中，是温度参数，是余弦相似度函数。

• 动态硬负样本挖掘:

• 记录每个数据点的当前平均负样本得分。

• 每100次迭代后，如果得分乘以1.15小于初始得分且绝对值小于0.8，则认为该负样本不再具有挑战性，并进行新一轮的硬负样本挖掘。

跨GPU平衡损失:

• 在每个前向-损失-反向-更新周期内，以平衡的方式引入每个任务，以获得稳定的搜索空间并最小化单次模型更新方向与全局最优解之间的差异。

• 对于检索任务，确保每个GPU有不同的负样本，同时共享相同的查询和正样本；对于STS任务，增加批次大小以包含更多案例进行比较。公式如下：

  其中，是查询和正文本之间的评分函数，通常定义为余弦相似度，是共享查询和正文本的GPU数量，是温度参数，设置为0.8。

实验设计

数据集:

• 在预训练阶段，收集了0.75亿对文本数据，分为标题-内容对、输入-输出对和问答对等类别。

• 在微调阶段，选择了常见的检索、分类和STS任务的数据集。

实现细节:

• 使用BERT作为基础模型，并通过线性层将维度从1024扩展到1792。

• 使用AdamW优化器和学习率1e-5进行预训练，批量大小为8，使用64个Ascend 910B GPU进行训练，总时长为138小时。

• 微调阶段使用相同的优化器参数和学习率，批量大小为4（检索任务）和32（STS任务），使用16个Ascend 910B GPU进行训练，总时长为13小时。

结果与分析

• CMTEB结果:

• Conan-Embedding模型在CMTEB基准测试中的平均性能为72.62，超过了之前的最先进模型。

• 在检索和重排序任务中，Conan-Embedding模型表现出显著的性能提升，表明增加的负样本数量和质量使模型能够看到更具挑战性的负样本，从而增强了其召回能力。

• 消融研究:

• 动态硬负样本挖掘和跨GPU平衡损失显著优于直接使用标准InfoNCE损失和CoSENT损失进行微调的方法。

• Conan-Embedding模型在检索和重排序任务中的表现尤为突出，进一步验证了该方法的有效性。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓