MTEB评估基准使用指北

文章目录

介绍

  文本嵌入通常是在单一任务的少量数据集上进行评估，这些数据集未涵盖其可能应用于其他任务的情况，不清楚在语义文本相似性（semantic textual similarity, STS）等任务上的最先进嵌入是否同样适用于聚类或重排序等其他任务。这使得该领域的进展难以跟踪，因为不断有各种模型被提出，而没有进行适当的评估。
  为了解决这个问题，Hugging Face团队推出了大规模文本嵌入基准（Massive Text Embedding Benchmark, MTEB）。MTEB涵盖了8个嵌入任务，共58个数据集和112种语言，是目前迄今为止最全面的文本嵌入基准。
  MTEB源码：https://github.com/embeddings-benchmark/mteb
  MTEB论文：https://arxiv.org/abs/2210.07316
  MTEB排行榜：https://huggingface.co/spaces/mteb/leaderboard
  C-MTEB是当前最全面的中文语义向量评测基准，涵盖6大类评测任务（检索、排序、句子相似度、推理、分类、聚类），涉及35(31)个相关数据集。
  C-MTEB评估代码：https://github.com/FlagOpen/FlagEmbedding/tree/master/C_MTEB
  C-MTEB论文：https://arxiv.org/abs/2309.07597

评估数据

  由于众所周知的原因，Hugging Face官网访问无法直接，所以这篇文章提供了一个比较友好的代理方案来下载数据集。

  由于mteb在1.12.4的版本中使用了ISO编码，导致task_langs参数不太好使了，这里暂时使用1.1.1版本。
  pip install mteb==1.1.1
  pip install C_MTEB

# -*- coding: utf-8 -*-
# Author  : liyanpeng
# Email   : yanpeng.li@cumt.edu.cn
# Datetime: 2024/5/28 18:23
# Filename: download_data.py
from mteb import MTEB

import os
import subprocess

os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
data_path = '/root/data3/liyanpeng/hf_data'

def show_dataset():
    evaluation = MTEB(task_langs=["zh", "zh-CN"])
    dataset_list = []
    for task in evaluation.tasks:
        if task.description.get('name') not in dataset_list:
            dataset_list.append(task.description.get('name'))
            desc = 'name: {}\t\thf_name: {}\t\ttype: {}\t\tcategory: {}'.format(
                task.description.get('name'), task.description.get('hf_hub_name'),
                task.description.get('type'), task.description.get('category'),
            )
            print(desc)
    print(len(dataset_list))

def download_dataset():
    evaluation = MTEB(task_langs=["zh", "zh-CN"])
    err_list = []
    for task in evaluation.tasks:
        # task.load_data()
        # https://huggingface.co/datasets/
        task_name = task.description.get('hf_hub_name')
        print(task_name)
        cmd = ['huggingface-cli', 'download', '--repo-type', 'dataset', '--resume-download',
               '--local-dir-use-symlinks', 'False', task_name, '--local-dir', os.path.join(data_path, task_name)]
        try:
            result = subprocess.run(cmd, check=True)
        except subprocess.CalledProcessError as e:
            err_list.append(task_name)
            print("{} is error".format(task_name))

    if err_list:
        print('download failed: \n', '\n'.join(err_list))
    else:
        print('download success.')

if __name__ == '__main__':
	download_dataset()
	show_dataset()

  一共是31个数据集：

评估模型

  使用C-MTEB来评估模型：

# -*- coding: utf-8 -*-
# Author  : liyanpeng
# Email   : yanpeng.li@cumt.edu.cn
# Datetime: 2024/7/14 13:04
# Filename: cmteb.py
from mteb import MTEB
from C_MTEB import ChineseTaskList, load_retrieval_data
from sentence_transformers import SentenceTransformer
from datasets import load_dataset
import os
from prettytable import PrettyTable


def print_table(task_names, scores):
    tb = PrettyTable()
    tb.field_names = task_names
    tb.add_row(scores)
    print(tb)


# os.environ['HF_DATASETS_CACHE'] = data_path
# os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'


if __name__ == '__main__': 
    data_path = '/root/data3/liyanpeng/hf_data'
    model_name = "/root/data3/emb_models/sensenova/piccolo-base-zh"
    
    model = SentenceTransformer(model_name)
    evaluation = MTEB(tasks=ChineseTaskList)
    for task in evaluation.tasks:
        if task.description.get('type') == 'Retrieval':
            task.corpus, task.queries, task.relevant_docs = load_retrieval_data(os.path.join(data_path, task.description["hf_hub_name"]),
                                                                                task.description['eval_splits'])
        else:
            dataset = load_dataset(
                path=os.path.join(data_path, task.description["hf_hub_name"]),
                revision=task.description.get("revision", None),
                # task_eval_splits=task.description.get("eval_splits", [])
            )
            task.dataset = dataset
        task.data_loaded = True
    results = evaluation.run(model, output_folder=f"zh_results/piccolo-base-zh")
    print(results)

作者：夏小悠