README.md

metadata

license: mit
language:
  - ko
  - en
pipeline_tag: text-classification

Korean Reranker Training on Amazon SageMaker

한국어 Reranker 개발을 위한 파인튜닝 가이드를 제시합니다.

ko-reranker는 BAAI/bge-reranker-larger 기반 한국어 데이터에 대한 fine-tuned model 입니다.
보다 자세한 사항은 korean-reranker-git을 참고하세요

---

0. Features

• Reranker는 임베딩 모델과 달리 질문과 문서를 입력으로 사용하며 임베딩 대신 유사도를 직접 출력합니다.

• Reranker에 질문과 구절을 입력하면 연관성 점수를 얻을 수 있습니다.

• Reranker는 CrossEntropy loss를 기반으로 최적화되므로 관련성 점수가 특정 범위에 국한되지 않습니다.

1.Usage

• Local ''' def exp_normalize(x): b = x.max() y = np.exp(x - b) return y / y.sum() from transformers import AutoModelForSequenceClassification, AutoTokenizer

  tokenizer = AutoTokenizer.from_pretrained(model_path) model = AutoModelForSequenceClassification.from_pretrained(model_path) model.eval()

  pairs = [["나는 너를 싫어해", "나는 너를 사랑해"],
  ["나는 너를 좋아해", "너에 대한 나의 감정은 사랑 일 수도 있어"]] with torch.no_grad(): inputs = tokenizer(pairs, padding=True, truncation=True, return_tensors='pt', max_length=512) scores = model(**inputs, return_dict=True).logits.view(-1, ).float() scores = exp_normalize(scores.numpy()) print (f'first: {scores[0]}, second: {scores[1]}')

'''

2. Backgound

• 컨택스트 순서가 정확도에 영향 준다(Lost in Middel, Liu et al., 2023)

• Reranker 사용해야 하는 이유

  • 현재 LLM은 context 많이 넣는다고 좋은거 아님, relevant한게 상위에 있어야 정답을 잘 말해준다
  • Semantic search에서 사용하는 similarity(relevant) score가 정교하지 않다. (즉, 상위 랭커면 하위 랭커보다 항상 더 질문에 유사한 정보가 맞아?)
    • Embedding은 meaning behind document를 가지는 것에 특화되어 있다.
    • 질문과 정답이 의미상 같은건 아니다. (Hypothetical Document Embeddings)
    • ANNs(Approximate Nearest Neighbors) 사용에 따른 패널티

---

3. Reranker models

• [Cohere] Reranker

• [BAAI] bge-reranker-large

• [BAAI] bge-reranker-base

---

4. Dataset

• msmarco-triplets

  • (Question, Answer, Negative)-Triplets from MS MARCO Passages dataset, 499,184 samples
  • 해당 데이터 셋은 영문으로 구성되어 있습니다.
  • Amazon Translate 기반으로 번역하여 활용하였습니다.

---

5. Performance

Model	has-right-in-contexts	mrr (mean reciprocal rank)
without-reranker (default)	0.93	0.80
with-reranker (bge-reranker-large)	0.95	0.84
with-reranker (fine-tuned using korean)	0.96	0.87

• evaluation set:

./dataset/evaluation/eval_dataset.csv

• training parameters:

{
    "learning_rate": 5e-6,
    "fp16": True,
    "num_train_epochs": 3,
    "per_device_train_batch_size": 1,
    "gradient_accumulation_steps": 32,
    "train_group_size": 3,
    "max_len": 512,
    "weight_decay": 0.01,
}

---

6. Acknowledgement

• Part of the code is developed based on FlagEmbedding and KoSimCSE-SageMaker.

---

7. Citation

• If you find this repository useful, please consider giving a like ⭐ and citation

---

8. Contributors:

• Dongjin Jang, Ph.D. (AWS AI/ML Specislist Solutions Architect) | Mail | Linkedin | Git |

---

9. License

• FlagEmbedding is licensed under the MIT License.