INTERS

INTERS：通过指令微调释放大型语言模型在搜索中的力量</h2>

作者: Yutao Zhu, Peitian Zhang, Chenghao Zhang, Yifei Chen, Binyu Xie, Zhicheng Dou, Zheng Liu, 和 Ji-Rong Wen

<p> 📃 <a href="https://arxiv.org/abs/2401.06532">ArXiv 论文</a> • 📚 <a href="https://huggingface.co/datasets/yutaozhu94/INTERS">数据集</a> </p> <p> 🤗 HuggingFace 模型列表 </p>

模型	基础模型
INTERS-LLaMA-7b-Chat	LLaMA-2-7b-chat
INTERS-LLaMA-7b-Base	LLaMA-2-7b
INTERS-Mistral-7b	Mistral-7b
INTERS-Minima-3b	Minima-2-3b
INTERS-Falcon-1b	Falcon-rw-1b

新闻

2024年5月：我们很高兴地宣布INTERS已被ACL 2024主会议接收！
2024年2月：我们已发布数据集、指令模板、微调模型和评估脚本。

介绍

大型语言模型（LLMs）在各种自然语言处理任务中展现出了令人印象深刻的能力。尽管如此，它们在信息检索（IR）任务中的应用仍然具有挑战性，这是因为许多IR特定概念在自然语言中出现的频率较低。虽然基于提示的方法可以为LLMs提供任务描述，但它们往往无法促进对IR任务的全面理解和执行，从而限制了LLMs的适用性。为了解决这一差距，在本研究中，我们探索了指令微调来增强LLMs在IR任务中的熟练程度的潜力。我们引入了一个新的指令微调数据集INTERS，涵盖了三个基本IR类别中的20个任务：查询理解、文档理解和查询-文档关系理解。数据来源于43个不同的数据集，并配有手动编写的模板。我们的实证结果显示，INTERS显著提升了各种公开可用LLMs（如LLaMA、Mistral和Phi）在IR任务中的表现。此外，我们还进行了广泛的实验，分析了指令设计、模板多样性、少样本示例和指令数量对性能的影响。

任务与数据集

我们考虑了查询理解、文档理解和查询-文档理解类别下的任务。我们的数据集包含从43个数据集衍生出的20个任务。下图展示了我们使用的所有任务和数据集。

数据集构建

总体性能

零样本评估

评估脚本位于evaluation目录下。

所需包

torch               2.0.0
transformers        4.36.2
numpy               1.26.3
tqdm                4.66.1
scikit-learn        1.4.0
rouge_score         0.1.2
nltk                3.8.1
accelerate          0.26.1

对于查询理解任务和文档理解任务（qu-du-tasks）

此评估脚本使用pytorch DDP进行文本生成。

下载测试数据并保存到data/in-domain/zero_shot/目录。目录结构如下：

qu-du-tasks
├── eval_sampling.py
├── inference_dataset.py
├── inference_qu_du.py
├── inference_tasks
│   ├── conversational_qa.py
│   ├── fact_verification.py
│   └── ...
└── data
    └── in-domain
        └── zero-shot
            ├── conversational_qa_coqa.zero_shot.test.jsonl
            ├── conversational_qa_quac.zero_shot.test.jsonl
            ├── fact_verification_climate_fever.zero_shot.test.jsonl
            ├── fact_verification_fever.zero_shot.test.jsonl
            ├── fact_verification_scifact.zero_shot.test.jsonl
            └── ...

如果您选择将测试文件放在其他目录中，可以在inference_tasks目录下的每个任务文件中修改路径（在get_path()函数中）。
运行评估：

TOKENIZERS_PARALLELISM=True python3 inference_qu_du.py \
    --model_name_or_path 你的/模型/路径 \
    --tokenizer_name 你的/分词器/路径 \
    --setting in-domain \
    --n_shots zero_shot

针对查询-文档关系理解任务（qdu-tasks）

下载测试数据并保存到data/目录。目录结构如下：

qdu-tasks
├── cqa.sh
├── eval_rank.py
├── postprocess_cqa.py
├── run_eval.sh
└── data
    ├── cqadupstack
    │   ├── android
    │   │   └── test.pt.key.do-not-overwrite.json
    │   ├── english
    │   │   └── test.pt.key.do-not-overwrite.json
    │   └── ...
    ├── arguana.bm25.100.jsonl
    ├── climate_fever.bm25.100.jsonl
    └── ...

对于cqadupstack以外的数据集，修改run_eval.sh中的路径，然后运行脚本

MODEL_PATH="你的/模型/路径"
TOKENIZER_PATH="你的/分词器/路径"
RESULT_PATH="你的/结果/路径"
EVAL_DATA_PATH="data"

-----------------------
bash run_eval.sh

对于cqadupstack数据集，修改cqa.sh中的路径，然后运行脚本

MODEL_PATH="你的/模型/路径"
TOKENIZER_PATH="你的/分词器/路径"
RESULT_PATH="你的/结果/路径"

-----------------------
bash cqa.sh

此脚本支持测试逐点式/成对式/列表式方法进行重排序。修改run_eval.sh或cqa.sh中eval_rerank.py的参数

# 逐点式：（默认）
--rerank_method pointwise

# 成对式：
--rerank_method pairwise

# 列表式：
--rerank_method listwise \
--listwise_window 5 \
--listwise_stride 5

引用

如果我们的论文对您的研究有帮助，请kindly引用：

@article{INTERS,
  author       = {Yutao Zhu and
                  Peitian Zhang and
                  Chenghao Zhang and
                  Yifei Chen and
                  Binyu Xie and
                  Zhicheng Dou and
                  Zheng Liu and
                  Ji{-}Rong Wen},
  title        = {{INTERS:} Unlocking the Power of Large Language Models in Search with
                  Instruction Tuning},
  journal      = {CoRR},
  volume       = {abs/2401.06532},
  year         = {2024},
  url          = {https://doi.org/10.48550/arXiv.2401.06532},
  doi          = {10.48550/ARXIV.2401.06532},
  eprinttype    = {arXiv},
  eprint       = {2401.06532}
}