README.md

metadata

language:
  - vi
license: apache-2.0
library_name: transformers
tags:
  - cross-encoder
  - rerank
datasets:
  - unicamp-dl/mmarco
widget:
  - text: Trường UIT là gì ?.
    output:
      - label: >-
          Trường Đại_học Công_nghệ Thông_tin có tên tiếng Anh là University of
          Information_Technology ( viết tắt là UIT ) là thành_viên của Đại_học
          Quốc_Gia TP. HCM.
        score: 4.0033
      - label: >-
          Trường Đại_học Kinh_tế – Luật ( tiếng Anh : University of Economics
          and Law – UEL ) là trường đại_học đào_tạo và nghiên_cứu khối ngành
          kinh_tế , kinh_doanh và luật hàng_đầu Việt_Nam .
        score: 0
      - label: >-
          Quĩ_uỷ_thác đầu_tư ( tiếng Anh : Unit Investment_Trusts ; viết tắt :
          UIT ) là một công_ty đầu_tư mua hoặc nắm giữ một danh_mục đầu_tư
          cố_định
        score: 2.5138
pipeline_tag: text-classification

Table of contents

1. Installation
2. Pre-processing
3. Usage with sentence-transformers
4. Usage with transformers
5. Performance
6. Citation

Installation

• Install pyvi to word segment:

  • pip install pyvi

• Install sentence-transformers (recommend) - Usage:

  • pip install sentence-transformers

• Install transformers (optional) - Usage:

  • pip install transformers

Pre-processing

from pyvi import ViTokenizer

query = "UIT là gì?"
sentences = [
    "Trường Đại học Công nghệ Thông tin có tên tiếng Anh là University of Information Technology (viết tắt là UIT) là thành viên của Đại học Quốc Gia TP.HCM.",
    "Trường Đại học Kinh tế – Luật (tiếng Anh: University of Economics and Law – UEL) là trường đại học đào tạo và nghiên cứu khối ngành kinh tế, kinh doanh và luật hàng đầu Việt Nam.",
    "Quĩ uỷ thác đầu tư (tiếng Anh: Unit Investment Trusts; viết tắt: UIT) là một công ty đầu tư mua hoặc nắm giữ một danh mục đầu tư cố định"
]

tokenized_query = ViTokenizer.tokenize(query)
tokenized_sentences = [ViTokenizer.tokenize(sent) for sent in sentences]

tokenized_pairs = [[tokenized_query, sent] for sent in tokenized_sentences]

model_id = 'itdainb/PhoRanker'

Usage with sentence-transformers

from sentence_transformers import CrossEncoder
model = CrossEncoder(model_id, max_length=256)

# For fp16 usage
model.model.half()

scores = model.predict(tokenized_pairs)

Usage with transformers

from transformers import AutoTokenizer, AutoModelForSequenceClassification

model = AutoModelForSequenceClassification.from_pretrained(model_id)
tokenizer = AutoTokenizer.from_pretrained(model_id)

# For fp16 usage
model.half()

features = tokenizer(tokenized_pairs, padding=True, truncation="longest_first", return_tensors="pt", max_length=256)

model.eval()
with torch.no_grad():
    model_predictions = model(**features, return_dict=True)
    logits = model_predictions.logits

    scores = [score[0] for score in logits]
    print(scores)

Performance

In the following table, we provide various pre-trained Cross-Encoders together with their performance on the MS MMarco Passage Reranking - Vi - Dev dataset.

Model-Name	NDCG@3	MRR@3	NDCG@5	MRR@5	NDCG@10	MRR@10	Docs / Sec
itdainb/PhoRanker	0.6625	0.6458	0.7147	0.6731	0.7422	0.6830	15
amberoad/bert-multilingual-passage-reranking-msmarco	0.4634	0.5233	0.5041	0.5383	0.5416	0.5523	22
kien-vu-uet/finetuned-phobert-passage-rerank-best-eval	0.0963	0.0883	0.1396	0.1131	0.1681	0.1246	15
BAAI/bge-reranker-v2-m3	0.6087	0.5841	0.6513	0.6062	0.6872	0.62091	3.51
BAAI/bge-reranker-v2-gemma	0.6088	0.5908	0.6446	0.6108	0.6785	0.6249	1.29

Note: Runtime was computed on a A100 GPU with fp16.

Citation

Please cite as

@misc{PhoRanker,
  title={PhoRanker: A Cross-encoder Model for Vietnamese Text Ranking},
  author={Dai Nguyen Ba ({ORCID:0009-0008-8559-3154})},
  year={2024},
  publisher={Huggingface},
  journal={huggingface repository},
  howpublished={\url{https://huggingface.co/itdainb/PhoRanker}},
}