Datasets:
force text modality, drop usage section, remove self source_datasets, style cleanup
Browse files
README.md
CHANGED
|
@@ -1,418 +1,368 @@
|
|
| 1 |
-
---
|
| 2 |
-
language:
|
| 3 |
-
- ja
|
| 4 |
-
license: cc-by-sa-4.0
|
| 5 |
-
size_categories:
|
| 6 |
-
- 1M<n<10M
|
| 7 |
-
task_categories:
|
| 8 |
-
- sentence-similarity
|
| 9 |
-
- text-retrieval
|
| 10 |
-
task_ids:
|
| 11 |
-
- document-retrieval
|
| 12 |
-
pretty_name: Auto Wiki QA (Pairs / Triplets / N-tuples + distillation top-K)
|
| 13 |
-
source_datasets:
|
| 14 |
-
- hpprc/emb
|
| 15 |
-
|
| 16 |
-
|
| 17 |
-
- japanese
|
| 18 |
-
- wikipedia
|
| 19 |
-
- question-answering
|
| 20 |
-
- retrieval
|
| 21 |
-
- embedding
|
| 22 |
-
- triplet
|
| 23 |
-
- hard-negative-mining
|
| 24 |
-
- contrastive-learning
|
| 25 |
-
- knowledge-distillation
|
| 26 |
-
- cross-encoder
|
| 27 |
-
configs:
|
| 28 |
-
- config_name: pairs
|
| 29 |
-
data_files:
|
| 30 |
-
- split: train
|
| 31 |
-
path: pairs/train-*
|
| 32 |
-
- config_name: triplets
|
| 33 |
-
data_files:
|
| 34 |
-
- split: train
|
| 35 |
-
path: triplets/train-*
|
| 36 |
-
- config_name: n-tuples
|
| 37 |
-
data_files:
|
| 38 |
-
- split: train
|
| 39 |
-
path: n-tuples/train-*
|
| 40 |
-
- config_name: n-tuples-100k
|
| 41 |
-
data_files:
|
| 42 |
-
- split: train
|
| 43 |
-
path: n-tuples-100k/train-*
|
| 44 |
-
- config_name: n-tuples-250k
|
| 45 |
-
data_files:
|
| 46 |
-
- split: train
|
| 47 |
-
path: n-tuples-250k/train-*
|
| 48 |
-
- config_name: n-tuples-500k
|
| 49 |
-
data_files:
|
| 50 |
-
- split: train
|
| 51 |
-
path: n-tuples-500k/train-*
|
| 52 |
-
- config_name: n-tuples-1m
|
| 53 |
-
data_files:
|
| 54 |
-
- split: train
|
| 55 |
-
path: n-tuples-1m/train-*
|
| 56 |
-
default_config: triplets
|
| 57 |
-
---
|
| 58 |
-
|
| 59 |
-
# auto-wiki-qa
|
| 60 |
-
|
| 61 |
-
日本語 Wikipedia ベースの自動生成 QA データセット
|
| 62 |
-
([hpprc/emb](https://huggingface.co/datasets/hpprc/emb) の auto-wiki-qa-dataset /
|
| 63 |
-
auto-wiki-qa-collection) を元に、Hard Negative Mining と
|
| 64 |
-
Cross-Encoder 蒸留スコア付与を施した日本語 retrieval 学習用データセット
|
| 65 |
-
|
| 66 |
-
|
| 67 |
-
ソートした top-K サブセット (100k / 250k / 500k / 1m) を提供する。
|
| 68 |
-
Dense Retriever / Cross-Encoder / SPLADE などの日本語検索モデル学習および
|
| 69 |
-
KL Divergence 蒸留に使える。
|
| 70 |
-
|
| 71 |
-
>
|
| 72 |
-
> - HNM の retriever を [
|
| 73 |
-
> 蒸留教師を [
|
| 74 |
-
> - Hard Negative 選定を
|
| 75 |
-
> 同テーマ別エントリ・同回答別記事などの
|
| 76 |
-
> - dense retriever のスコアは hard negative 選定に
|
| 77 |
-
|
| 78 |
-
## Configs
|
| 79 |
-
|
| 80 |
-
| config | rows | columns | 総トークン数 (cl100k_base) | 説明 |
|
| 81 |
-
|---|---:|---|---:|---|
|
| 82 |
-
| pairs | 2,376,503 | query, answer | 562,891,158 (562.89M) | 元の (query, answer) ペア。
|
| 83 |
-
| triplets | 2,149,821 | query, positive, negative | 1,017,027,276 (1.02B) | Hard Negative Mining (v3) を通過した全行。クエリごとに 1 件の hard negative を付けた triplet。 |
|
| 84 |
-
| n-tuples | 2,149,821 | query, positive, negative_1〜negative_5, label | 3,055,829,114 (3.06B) | 同じ採用行に対しクエリごとに 5 件の hard negative + Cross-Encoder の生 logit を
|
| 85 |
-
| n-tuples-100k | 100,000 | query, positive, negative_1〜negative_5, label | 138,618,253 (138.62M) |
|
| 86 |
-
| n-tuples-250k | 250,000 | query, positive, negative_1〜negative_5, label | 349,362,397 (349.36M) | 同じ valid 行から
|
| 87 |
-
| n-tuples-500k | 500,000 | query, positive, negative_1〜negative_5, label | 701,461,481 (701.46M) | 同じ valid 行から
|
| 88 |
-
| n-tuples-1m | 1,000,000 | query, positive, negative_1〜negative_5, label | 1,410,424,585 (1.41B) | 同じ valid 行から
|
| 89 |
-
|
| 90 |
-
> トークン数は OpenAI の tiktoken
|
| 91 |
-
|
| 92 |
-
すべての config の split は
|
| 93 |
-
|
| 94 |
-
|
| 95 |
-
### label カラムの形式 (n-tuples / n-tuples-* 共通)
|
| 96 |
-
|
| 97 |
-
```python
|
| 98 |
-
label: list[float] # 長さ 6 = [score(query, positive), score(query, neg_1), …, score(query, neg_5)]
|
| 99 |
-
```
|
| 100 |
-
|
| 101 |
-
|
| 102 |
-
スコアは Cross-Encoder の
|
| 103 |
-
|
| 104 |
-
|
| 105 |
-
(下記 Hard Negative Mining セクション参照)。
|
| 106 |
-
|
| 107 |
-
##
|
| 108 |
-
|
| 109 |
-
|
| 110 |
-
|
| 111 |
-
|
| 112 |
-
|
| 113 |
-
|
| 114 |
-
|
| 115 |
-
|
| 116 |
-
|
| 117 |
-
|
| 118 |
-
|
| 119 |
-
|
| 120 |
-
|
| 121 |
-
|
| 122 |
-
|
| 123 |
-
|
| 124 |
-
|
| 125 |
-
|
| 126 |
-
|
| 127 |
-
|
| 128 |
-
|
| 129 |
-
|
| 130 |
-
|
| 131 |
-
|
| 132 |
-
|
| 133 |
-
|
| 134 |
-
|
| 135 |
-
|
| 136 |
-
|
| 137 |
-
|
| 138 |
-
#
|
| 139 |
-
|
| 140 |
-
|
| 141 |
-
|
| 142 |
-
|
| 143 |
-
|
| 144 |
-
|
| 145 |
-
|
| 146 |
-
|
| 147 |
-
|
| 148 |
-
|
| 149 |
-
|
| 150 |
-
|
| 151 |
-
|
| 152 |
-
|
| 153 |
-
|
| 154 |
-
|
| 155 |
-
|
| 156 |
-
|
| 157 |
-
|
| 158 |
-
|
| 159 |
-
|
| 160 |
-
|
| 161 |
-
|
| 162 |
-
|
| 163 |
-
|
| 164 |
-
|
| 165 |
-
|
| 166 |
-
|
| 167 |
-
|
| 168 |
-
|
| 169 |
-
|
| 170 |
-
|
| 171 |
-
|
| 172 |
-
|
| 173 |
-
|
| 174 |
-
|
| 175 |
-
|
| 176 |
-
|
| 177 |
-
|
| 178 |
-
|
| 179 |
-
|
| 180 |
-
|
| 181 |
-
|
| 182 |
-
|
| 183 |
-
|
| 184 |
-
|
| 185 |
-
|
| 186 |
-
|
| 187 |
-
|
| 188 |
-
-
|
| 189 |
-
|
| 190 |
-
|
| 191 |
-
|
| 192 |
-
|
| 193 |
-
|
| 194 |
-
|
| 195 |
-
|
| 196 |
-
|
| 197 |
-
|
| 198 |
-
|
| 199 |
-
|
| 200 |
-
|
| 201 |
-
|
| 202 |
-
|
| 203 |
-
|
| 204 |
-
|
| 205 |
-
|
| 206 |
-
|
| 207 |
-
|
| 208 |
-
|
| 209 |
-
|
| 210 |
-
|
| 211 |
-
|
| 212 |
-
|
| 213 |
-
|
| 214 |
-
|
| 215 |
-
|
| 216 |
-
|
| 217 |
-
|
| 218 |
-
|
| 219 |
-
|
| 220 |
-
|
| 221 |
-
|
| 222 |
-
|
| 223 |
-
|
| 224 |
-
|
| 225 |
-
|
| 226 |
-
|
| 227 |
-
|
| 228 |
-
|
| 229 |
-
|
| 230 |
-
|
| 231 |
-
|
| 232 |
-
|
| 233 |
-
|
| 234 |
-
|
| 235 |
-
|
| 236 |
-
|
| 237 |
-
|
| 238 |
-
|
| 239 |
-
|
| 240 |
-
|
| 241 |
-
|
| 242 |
-
|
| 243 |
-
|
| 244 |
-
|
| 245 |
-
|
| 246 |
-
|
| 247 |
-
|
| 248 |
-
|
| 249 |
-
|
| 250 |
-
|
| 251 |
-
|
| 252 |
-
|
| 253 |
-
|
| 254 |
-
|
| 255 |
-
|
| 256 |
-
|
| 257 |
-
|
| 258 |
-
"
|
| 259 |
-
|
| 260 |
-
|
| 261 |
-
|
| 262 |
-
|
| 263 |
-
|
| 264 |
-
|
| 265 |
-
|
| 266 |
-
|
| 267 |
-
|
| 268 |
-
|
| 269 |
-
|
| 270 |
-
|
| 271 |
-
|
| 272 |
-
|
| 273 |
-
|
| 274 |
-
|
| 275 |
-
|
| 276 |
-
|
| 277 |
-
|
| 278 |
-
|
| 279 |
-
|
| 280 |
-
|
| 281 |
-
|
| 282 |
-
|
| 283 |
-
|
| 284 |
-
|
| 285 |
-
|
| 286 |
-
|
| 287 |
-
###
|
| 288 |
-
|
| 289 |
-
|
| 290 |
-
|
| 291 |
-
|
| 292 |
-
|
| 293 |
-
|
| 294 |
-
|
| 295 |
-
|
| 296 |
-
|
| 297 |
-
|
| 298 |
-
|
| 299 |
-
|
| 300 |
-
|
| 301 |
-
|
| 302 |
-
|
| 303 |
-
|
| 304 |
-
|
| 305 |
-
|
| 306 |
-
|
| 307 |
-
|
| 308 |
-
|
| 309 |
-
|
| 310 |
-
|
| 311 |
-
|
| 312 |
-
|
| 313 |
-
|
| 314 |
-
|
| 315 |
-
|
| 316 |
-
|
| 317 |
-
|
| 318 |
-
|
| 319 |
-
|
| 320 |
-
|
| 321 |
-
|
| 322 |
-
|
| 323 |
-
|
| 324 |
-
|
| 325 |
-
|
| 326 |
-
|
| 327 |
-
|
| 328 |
-
|
| 329 |
-
|
| 330 |
-
|
| 331 |
-
|
| 332 |
-
|
| 333 |
-
|
| 334 |
-
|
| 335 |
-
|
| 336 |
-
-
|
| 337 |
-
|
| 338 |
-
|
| 339 |
-
##
|
| 340 |
-
|
| 341 |
-
|
| 342 |
-
|
| 343 |
-
|
| 344 |
-
|
| 345 |
-
|
| 346 |
-
|
| 347 |
-
|
| 348 |
-
|
| 349 |
-
|
| 350 |
-
|
| 351 |
-
|
| 352 |
-
|
| 353 |
-
|
| 354 |
-
|
| 355 |
-
|
| 356 |
-
|
| 357 |
-
|
| 358 |
-
|
| 359 |
-
|
| 360 |
-
|
| 361 |
-
|
| 362 |
-
|
| 363 |
-
|
| 364 |
-
|
| 365 |
-
|
| 366 |
-
|
| 367 |
-
|
| 368 |
-
|
| 369 |
-
|
| 370 |
-
sentence-transformers の `SparseDistillKLDivLoss` / `DistillKLDivLoss` を使う場合は、
|
| 371 |
-
`label` カラムをそのまま teacher score として渡せばよい。
|
| 372 |
-
|
| 373 |
-
## 変更履歴
|
| 374 |
-
|
| 375 |
-
| バージョン | リポジトリ | 日付 | 概要 |
|
| 376 |
-
|---|---|---|---|
|
| 377 |
-
| v2 (= 本リポジトリ) | `mahiyama/auto-wiki-qa` (Public) | 2026-05 | HNM retriever を `cl-nagoya/ruri-v3-310m` に、教師 reranker を `cl-nagoya/ruri-v3-reranker-310m` に刷新。`faiss-cpu IndexFlatIP` ベース。Hard Negative 選定を **単一 margin filter** (`pos − neg ≥ 4.0`) に変更し、false negative リークを構造的に排除。両モデルとも Apache 2.0 で商用利用可。 |
|
| 378 |
-
| v1 | `mahiyama/auto-wiki-qa` (Public) | 2024 | 初版。HNM retriever = `jinaai/jina-embeddings-v5-text-small`、教師 reranker = `cl-nagoya/ruri-reranker-large`。フィルタは `< pos × 0.95` の positive-aware filter のみ。 |
|
| 379 |
-
|
| 380 |
-
## License
|
| 381 |
-
|
| 382 |
-
- Passage 本文は日本語版 Wikipedia 由来であり、**CC BY-SA 4.0**
|
| 383 |
-
(Wikipedia コンテンツの表示・継承ライセンス) を継承する。
|
| 384 |
-
- クエリは `hpprc/emb` の auto-wiki-qa 由来。利用・再配布時は元データセットの
|
| 385 |
-
ライセンスと利用条件にも従うこと。
|
| 386 |
-
- HNM retriever / 蒸留教師 (`cl-nagoya/ruri-v3-310m` / `ruri-v3-reranker-310m`) は
|
| 387 |
-
**Apache 2.0** ライセンスで、商用利用に制限はない。
|
| 388 |
-
|
| 389 |
-
## Citation
|
| 390 |
-
|
| 391 |
-
元データセットを引用してください:
|
| 392 |
-
|
| 393 |
-
```bibtex
|
| 394 |
-
@misc{hpprc_emb,
|
| 395 |
-
author = {Hayato Tsukagoshi},
|
| 396 |
-
title = {hpprc/emb: Japanese text embedding training datasets},
|
| 397 |
-
year = {2024},
|
| 398 |
-
url = {https://huggingface.co/datasets/hpprc/emb},
|
| 399 |
-
}
|
| 400 |
-
```
|
| 401 |
-
|
| 402 |
-
教師モデルの引用:
|
| 403 |
-
|
| 404 |
-
```bibtex
|
| 405 |
-
@misc{ruri_v3,
|
| 406 |
-
author = {Tsukagoshi, Hayato and Sasano, Ryohei},
|
| 407 |
-
title = {Ruri v3: Japanese General Text Embeddings},
|
| 408 |
-
year = {2025},
|
| 409 |
-
url = {https://huggingface.co/cl-nagoya/ruri-v3-310m},
|
| 410 |
-
}
|
| 411 |
-
```
|
| 412 |
-
|
| 413 |
-
## Acknowledgements
|
| 414 |
-
|
| 415 |
-
- 元データ: [hpprc/emb — auto-wiki-qa](https://huggingface.co/datasets/hpprc/emb)
|
| 416 |
-
- ベース passage コーパス: [Japanese Wikipedia](https://ja.wikipedia.org/)
|
| 417 |
-
- HNM 用 retriever: [`cl-nagoya/ruri-v3-310m`](https://huggingface.co/cl-nagoya/ruri-v3-310m)
|
| 418 |
-
- 蒸留教師: [`cl-nagoya/ruri-v3-reranker-310m`](https://huggingface.co/cl-nagoya/ruri-v3-reranker-310m)
|
|
|
|
| 1 |
+
---
|
| 2 |
+
language:
|
| 3 |
+
- ja
|
| 4 |
+
license: cc-by-sa-4.0
|
| 5 |
+
size_categories:
|
| 6 |
+
- 1M<n<10M
|
| 7 |
+
task_categories:
|
| 8 |
+
- sentence-similarity
|
| 9 |
+
- text-retrieval
|
| 10 |
+
task_ids:
|
| 11 |
+
- document-retrieval
|
| 12 |
+
pretty_name: Auto Wiki QA (Pairs / Triplets / N-tuples + distillation top-K)
|
| 13 |
+
source_datasets:
|
| 14 |
+
- hpprc/emb
|
| 15 |
+
tags:
|
| 16 |
+
- text
|
| 17 |
+
- japanese
|
| 18 |
+
- wikipedia
|
| 19 |
+
- question-answering
|
| 20 |
+
- retrieval
|
| 21 |
+
- embedding
|
| 22 |
+
- triplet
|
| 23 |
+
- hard-negative-mining
|
| 24 |
+
- contrastive-learning
|
| 25 |
+
- knowledge-distillation
|
| 26 |
+
- cross-encoder
|
| 27 |
+
configs:
|
| 28 |
+
- config_name: pairs
|
| 29 |
+
data_files:
|
| 30 |
+
- split: train
|
| 31 |
+
path: pairs/train-*
|
| 32 |
+
- config_name: triplets
|
| 33 |
+
data_files:
|
| 34 |
+
- split: train
|
| 35 |
+
path: triplets/train-*
|
| 36 |
+
- config_name: n-tuples
|
| 37 |
+
data_files:
|
| 38 |
+
- split: train
|
| 39 |
+
path: n-tuples/train-*
|
| 40 |
+
- config_name: n-tuples-100k
|
| 41 |
+
data_files:
|
| 42 |
+
- split: train
|
| 43 |
+
path: n-tuples-100k/train-*
|
| 44 |
+
- config_name: n-tuples-250k
|
| 45 |
+
data_files:
|
| 46 |
+
- split: train
|
| 47 |
+
path: n-tuples-250k/train-*
|
| 48 |
+
- config_name: n-tuples-500k
|
| 49 |
+
data_files:
|
| 50 |
+
- split: train
|
| 51 |
+
path: n-tuples-500k/train-*
|
| 52 |
+
- config_name: n-tuples-1m
|
| 53 |
+
data_files:
|
| 54 |
+
- split: train
|
| 55 |
+
path: n-tuples-1m/train-*
|
| 56 |
+
default_config: triplets
|
| 57 |
+
---
|
| 58 |
+
|
| 59 |
+
# auto-wiki-qa
|
| 60 |
+
|
| 61 |
+
日本語 Wikipedia ベースの自動生成 QA データセット
|
| 62 |
+
([hpprc/emb](https://huggingface.co/datasets/hpprc/emb) の auto-wiki-qa-dataset /
|
| 63 |
+
auto-wiki-qa-collection) を元に、Hard Negative Mining と
|
| 64 |
+
Cross-Encoder 蒸留スコア付与を施した日本語 retrieval 学習用データセット。
|
| 65 |
+
|
| 66 |
+
pairs / triplets / n-tuples の 3 形式と、n-tuples を quality_score で
|
| 67 |
+
ソートした top-K サブセット (100k / 250k / 500k / 1m) を提供する。
|
| 68 |
+
Dense Retriever / Cross-Encoder / SPLADE などの日本語検索モデル学習および
|
| 69 |
+
KL Divergence 蒸留に使える。
|
| 70 |
+
|
| 71 |
+
> v2 (2026-05) の主な変更点
|
| 72 |
+
> - HNM の retriever を [cl-nagoya/ruri-v3-310m](https://huggingface.co/cl-nagoya/ruri-v3-310m) (Apache 2.0、商用可)、
|
| 73 |
+
> 蒸留教師を [cl-nagoya/ruri-v3-reranker-310m](https://huggingface.co/cl-nagoya/ruri-v3-reranker-310m) (Apache 2.0、商用可) に刷新。
|
| 74 |
+
> - Hard Negative 選定を 単一 margin filter (pos − neg ≥ 4.0、σ で 0.98 相当の分離) に変更。
|
| 75 |
+
> 同テーマ別エントリ・同回答別記事などの false negative リーク を構造的に排除した。
|
| 76 |
+
> - dense retriever のスコアは hard negative 選定に使わず、教師リランカーの生 logit のみで判定する。
|
| 77 |
+
|
| 78 |
+
## Configs
|
| 79 |
+
|
| 80 |
+
| config | rows | columns | 総トークン数 (cl100k_base) | 説明 |
|
| 81 |
+
|---|---:|---|---:|---|
|
| 82 |
+
| pairs | 2,376,503 | query, answer | 562,891,158 (562.89M) | 元の (query, answer) ペア。mahiyama/auto-wiki-qa (v1) からそのままミラー。 |
|
| 83 |
+
| triplets | 2,149,821 | query, positive, negative | 1,017,027,276 (1.02B) | Hard Negative Mining (v3) を通過した全行。クエリごとに 1 件の hard negative を付けた triplet。 |
|
| 84 |
+
| n-tuples | 2,149,821 | query, positive, negative_1〜negative_5, label | 3,055,829,114 (3.06B) | 同じ採用行に対しクエリごとに 5 件の hard negative + Cross-Encoder の生 logit を label に付与。 |
|
| 85 |
+
| n-tuples-100k | 100,000 | query, positive, negative_1〜negative_5, label | 138,618,253 (138.62M) | n-tuples のうち quality_score の valid を通過した行を降順で並べ、上位 10 万行を抽出 (デバッグ・早期実験向け)。 |
|
| 86 |
+
| n-tuples-250k | 250,000 | query, positive, negative_1〜negative_5, label | 349,362,397 (349.36M) | 同じ valid 行から quality_score 上位 25 万行 (バランス重視)。 |
|
| 87 |
+
| n-tuples-500k | 500,000 | query, positive, negative_1〜negative_5, label | 701,461,481 (701.46M) | 同じ valid 行から quality_score 上位 50 万行。 |
|
| 88 |
+
| n-tuples-1m | 1,000,000 | query, positive, negative_1〜negative_5, label | 1,410,424,585 (1.41B) | 同じ valid 行から quality_score 上位 100 万行 (採用行数が 1M に満たない場合は全採用行)。 |
|
| 89 |
+
|
| 90 |
+
> トークン数は OpenAI の tiktoken cl100k_base (GPT-4 系) で計測。label カラムはトークン数集計の対象外 (浮動小数の数値ベクトル)。
|
| 91 |
+
|
| 92 |
+
すべての config の split は train。n-tuples-* の top-K サブセットは
|
| 93 |
+
quality_score 降順で並んでいるため、行順序は元の n-tuples と一致しない。
|
| 94 |
+
|
| 95 |
+
### label カラムの形式 (n-tuples / n-tuples-* 共通)
|
| 96 |
+
|
| 97 |
+
```python
|
| 98 |
+
label: list[float] # 長さ 6 = [score(query, positive), score(query, neg_1), …, score(query, neg_5)]
|
| 99 |
+
```
|
| 100 |
+
|
| 101 |
+
label[0] が positive、label[1:] が negative_1 〜 negative_5 に 1:1 で順序通り対応する。
|
| 102 |
+
スコアは Cross-Encoder の 生 logit (sigmoid 適用前)。
|
| 103 |
+
|
| 104 |
+
pos − max(neg_1..neg_5) ≥ 4.0 および pos ≥ 2.0 が全行で構造的に成立している
|
| 105 |
+
(下記 Hard Negative Mining セクション参照)。
|
| 106 |
+
|
| 107 |
+
## Hard Negative Mining の方法 (v3)
|
| 108 |
+
|
| 109 |
+
各クエリ q_i (元データ行 i) に対して以下を実施:
|
| 110 |
+
|
| 111 |
+
1. クエリ埋め込み —
|
| 112 |
+
[cl-nagoya/ruri-v3-310m](https://huggingface.co/cl-nagoya/ruri-v3-310m)
|
| 113 |
+
(prefix "検索クエリ: ") で 768 次元にエンコード。
|
| 114 |
+
2. 文書埋め込み — 同モデル (prefix "検索文書: ") で全 positive (約 240 万件、重複除去後)
|
| 115 |
+
を 768 次元にエンコードし、L2 正規化して
|
| 116 |
+
[faiss-cpu](https://github.com/facebookresearch/faiss) の IndexFlatIP
|
| 117 |
+
(内積 = コサイン類似度) を構築。索引は faiss_index.bin として再利用可能。
|
| 118 |
+
3. kNN 検索 — 各クエリで上位 25 件を取得し、gold positive と一致する doc_id を除外して
|
| 119 |
+
top-15 を negative 候補プールとする。
|
| 120 |
+
4. リランカー蒸留スコア付与 —
|
| 121 |
+
[cl-nagoya/ruri-v3-reranker-310m](https://huggingface.co/cl-nagoya/ruri-v3-reranker-310m)
|
| 122 |
+
で (query, positive) と (query, kNN candidate × 15) の合計 16 ペアに
|
| 123 |
+
生 logit (sigmoid 適用前) を付与。
|
| 124 |
+
5. Hard Negative 選定 (v3、単一 margin filter)
|
| 125 |
+
- pos_score < 2.0 の行は DROP (positive が弱い)
|
| 126 |
+
- 15 候補のうち pos_score - neg_score >= 4.0 を満たすもののみ採用候補
|
| 127 |
+
- 採用候補が 5 件未満の行は DROP (フォールバックなし)
|
| 128 |
+
- 採用候補をリランカースコア降順で並べ、上位 5 件を negative_1..5 とする
|
| 129 |
+
- negative_1 = 採用候補のうちスコア最大 (= 最も hard だが MIN_DIFF を満たす)
|
| 130 |
+
- negative_5 = 採用候補のうちスコア最小
|
| 131 |
+
|
| 132 |
+
これにより、採用行は以下の条件を構造的に満たす:
|
| 133 |
+
|
| 134 |
+
- pos >= 2.0 (sigmoid 0.88 以上の確信ある positive)
|
| 135 |
+
- pos - neg_i >= 4.0 (i=1..5、すべての negative に対し σ で 0.98 相当の分離)
|
| 136 |
+
- margin = pos - max(neg_1..neg_5) >= 4.0
|
| 137 |
+
|
| 138 |
+
### なぜ単一 margin filter か (kNN/リランカー top-K 除外をしない理由)
|
| 139 |
+
|
| 140 |
+
NV-Retriever / SFR-Embedding 系の標準レシピでは「kNN 上位 K 件除外」「リランカー上位 K 件除外」
|
| 141 |
+
を組み合わせるが、pos - neg >= 4.0 (σ で 0.98 相当の分離) のような厳しい絶対 margin filter
|
| 142 |
+
を使うと、これらの構造的除外は冗長になる:
|
| 143 |
+
|
| 144 |
+
- false negative リーク (= reranker が高 logit を付ける候補) は margin filter で必ず弾かれる
|
| 145 |
+
- 一方、kNN/reranker top-K 除外を残すと「ぎりぎり通過する硬い negative」が拾えなくなる
|
| 146 |
+
|
| 147 |
+
→ v3 では margin filter 1 本に統合することで、量とハードさのバランスを取った。
|
| 148 |
+
|
| 149 |
+
### v1 (旧 mahiyama/auto-wiki-qa) との違い
|
| 150 |
+
|
| 151 |
+
| 項目 | v1 (旧) | v2 (v3 HNM、本リポジトリ) |
|
| 152 |
+
|---|---|---|
|
| 153 |
+
| Retriever | jinaai/jina-embeddings-v5-text-small (非商用) | cl-nagoya/ruri-v3-310m (Apache 2.0、商用可) |
|
| 154 |
+
| Reranker | cl-nagoya/ruri-reranker-large | cl-nagoya/ruri-v3-reranker-310m |
|
| 155 |
+
| HNM フィルタ | dense score の < pos × 0.95 (positive-aware filter) | reranker logit の pos − neg ≥ 4.0 (絶対 margin) |
|
| 156 |
+
| False negative leak 対策 | なし (定義系・同テーマ別エントリで leak が頻発) | 構造的に排除 |
|
| 157 |
+
| ANN | Elasticsearch HNSW | faiss-cpu IndexFlatIP |
|
| 158 |
+
| 採用行数 | 入力行数と同じ (フォールバックで埋める) | リーク行は DROP (採用率 90.5%) |
|
| 159 |
+
| 商用利用 | 制限あり (Jina) | 制限なし (両モデルとも Apache 2.0) |
|
| 160 |
+
|
| 161 |
+
代償として行数は減るが、KL 蒸留損失はラベル雑音にとても敏感なため、量を多少削ってでも
|
| 162 |
+
クリーンな negative を確保する方が学習効率は明確に良い。
|
| 163 |
+
|
| 164 |
+
### 採用統計
|
| 165 |
+
|
| 166 |
+
| 指標 | 値 |
|
| 167 |
+
|---|---:|
|
| 168 |
+
| 入力行数 (リランカーで採点した行) | 2,376,503 |
|
| 169 |
+
| 採用行数 (kept: HNM 通過) | 2,149,821 (90.5%) |
|
| 170 |
+
| Drop: 弱 positive (pos < 2.0) | 194,350 (8.2%) |
|
| 171 |
+
| Drop: 候補不足 (filter 通過 < 5 件) | 32,332 (1.4%) |
|
| 172 |
+
| quality_score の valid 通過 (採用行に対して) | 2,149,821 (100.00%) |
|
| 173 |
+
|
| 174 |
+
triplets / n-tuples には採用行のみが入る。
|
| 175 |
+
n-tuples-{100k, 250k, 500k, 1m} は採用行のうち quality_score の valid を通過した行を
|
| 176 |
+
降順で並べた top-K サブセット。v3 HNM が pos>=2.0 と margin>=4.0 を保証するため、
|
| 177 |
+
valid 通過率は実質 100% になる (透明性のためチェックは入れている)。
|
| 178 |
+
|
| 179 |
+
## 蒸留スコア付けの方法
|
| 180 |
+
|
| 181 |
+
n-tuples 配下の label カラムおよび n-tuples-* の top-K サブセットは、
|
| 182 |
+
教師モデル cl-nagoya/ruri-v3-reranker-310m (Japanese ModernBERT Cross-Encoder、Apache 2.0)
|
| 183 |
+
の 生 logit を各 (query, doc) ペア (positive 1 件 + negative 5 件) に付与したもの。
|
| 184 |
+
|
| 185 |
+
### スコア付けの設定
|
| 186 |
+
|
| 187 |
+
| 項目 | 値 |
|
| 188 |
+
|---|---|
|
| 189 |
+
| Teacher | cl-nagoya/ruri-v3-reranker-310m |
|
| 190 |
+
| Max length | 512 |
|
| 191 |
+
| 推論精度 | FP16 |
|
| 192 |
+
| Batch size | 128 |
|
| 193 |
+
| 入力フォーマット | 単一文ペア (query, document) |
|
| 194 |
+
| 出力 | 生 logit (sigmoid 適用前)。観測 logit レンジ おおむね ±15 (採用行の positive 平均 ≈ 8.80) |
|
| 195 |
+
|
| 196 |
+
KL 蒸留損失 (SparseDistillKLDivLoss / DistillKLDivLoss 等) は
|
| 197 |
+
softmax(label / T) を target distribution として使うため、
|
| 198 |
+
sigmoid 後の [0, 1] 値だと softmax target が一様分布に潰れて ranking 情報が失われる。
|
| 199 |
+
これを防ぐため、教師の最終活性化を明示的に Identity に置き換えてスコアを出力した:
|
| 200 |
+
|
| 201 |
+
```python
|
| 202 |
+
import torch.nn as nn
|
| 203 |
+
from sentence_transformers import CrossEncoder
|
| 204 |
+
|
| 205 |
+
teacher = CrossEncoder(
|
| 206 |
+
"cl-nagoya/ruri-v3-reranker-310m",
|
| 207 |
+
max_length=512,
|
| 208 |
+
device="cuda",
|
| 209 |
+
)
|
| 210 |
+
teacher.model.eval()
|
| 211 |
+
teacher.default_activation_function = nn.Identity() # sigmoid を外す
|
| 212 |
+
|
| 213 |
+
scores = teacher.predict(
|
| 214 |
+
[("query A", "passage A"), ("query A", "passage B")],
|
| 215 |
+
batch_size=128,
|
| 216 |
+
convert_to_numpy=True,
|
| 217 |
+
activation_fct=nn.Identity(), # 念のため predict() でも明示
|
| 218 |
+
)
|
| 219 |
+
# scores: array([12.34, -3.56], dtype=float32)
|
| 220 |
+
assert abs(scores).max() > 1.0 # |score|max > 1 で sigmoid 混入チェック
|
| 221 |
+
```
|
| 222 |
+
|
| 223 |
+
logit のスケール感:
|
| 224 |
+
|
| 225 |
+
| logit | sigmoid(logit) | 解釈 |
|
| 226 |
+
| ----: | --------------: | ------------------------------------- |
|
| 227 |
+
| +8 | 0.9997 | 確信度高く relevant |
|
| 228 |
+
| +5 | 0.993 | 強く relevant |
|
| 229 |
+
| +2 | 0.881 | relevant 寄り |
|
| 230 |
+
| 0 | 0.5 | 不確か |
|
| 231 |
+
| -2 | 0.119 | irrelevant 寄り |
|
| 232 |
+
| -5 | 0.007 | 強く irrelevant |
|
| 233 |
+
| -8 | 0.0003 | 確信度高く irrelevant |
|
| 234 |
+
|
| 235 |
+
### quality_score: top-K サブセットのソート指標
|
| 236 |
+
|
| 237 |
+
n-tuples-100k / -250k / -500k / -1m は、n-tuples を以下の手順で構築する:
|
| 238 |
+
|
| 239 |
+
1. quality_score の valid マスク を計算 (distillation_score.md 準拠)
|
| 240 |
+
2. valid を通過した行を quality_score 降順で並べる
|
| 241 |
+
3. 上位 K 行を抽出 (採用行数が K に満たない場合は全採用行)
|
| 242 |
+
|
| 243 |
+
v3 HNM が pos >= 2.0 と全 neg について pos - neg >= 4.0 を保証するため、
|
| 244 |
+
valid マスクの 3 条件 (pos>=2.0, margin>0, margin>=0.5) は全て自動的に成立し、
|
| 245 |
+
valid 通過率は実質 100% (上記採用統計セクション参照)。
|
| 246 |
+
それでもチェックを入れているのは、品質スコア計算ロジックの形式的整合性のため。
|
| 247 |
+
|
| 248 |
+
#### 定義 (実装通り)
|
| 249 |
+
|
| 250 |
+
```python
|
| 251 |
+
import numpy as np
|
| 252 |
+
|
| 253 |
+
POS_MIN = 2.0 # σ(2.0) ≈ 0.88: 確信のある positive のみ採用
|
| 254 |
+
MARGIN_MIN = 0.5 # 誤差レベルの分離は雑音と見なす
|
| 255 |
+
MARGIN_PENALTY = 0.1 # 易しすぎる行を弱く後回しにする係数
|
| 256 |
+
|
| 257 |
+
def quality_score_vec(labels: np.ndarray) -> tuple[np.ndarray, np.ndarray]:
|
| 258 |
+
"""
|
| 259 |
+
Args:
|
| 260 |
+
labels: (N, 6) float32. 生 logit。 [p, n1, n2, n3, n4, n5].
|
| 261 |
+
Returns:
|
| 262 |
+
scores: (N,) float. valid 落ちした行は -inf。
|
| 263 |
+
valid: (N,) bool. pos>=2.0 ∧ margin>0 ∧ margin>=0.5
|
| 264 |
+
"""
|
| 265 |
+
p = labels[:, 0]
|
| 266 |
+
neg = labels[:, 1:]
|
| 267 |
+
max_n = neg.max(axis=1)
|
| 268 |
+
mean_n = neg.mean(axis=1)
|
| 269 |
+
margin = p - max_n
|
| 270 |
+
|
| 271 |
+
fn_mask = margin <= 0
|
| 272 |
+
weak_mask = (~fn_mask) & (p < POS_MIN)
|
| 273 |
+
border_mask = (~fn_mask) & (~weak_mask) & (margin < MARGIN_MIN)
|
| 274 |
+
valid_mask = (~fn_mask) & (~weak_mask) & (~border_mask)
|
| 275 |
+
|
| 276 |
+
raw = mean_n - MARGIN_PENALTY * margin
|
| 277 |
+
scores = np.where(valid_mask, raw, -np.inf)
|
| 278 |
+
return scores, valid_mask
|
| 279 |
+
```
|
| 280 |
+
|
| 281 |
+
- mean(neg) を主軸にする理由 — KL 蒸留は softmax(label / T) を target にするため、
|
| 282 |
+
negative 全体の logit 分布が target 形状を決める。mean(neg) が高い行ほど target が
|
| 283 |
+
滑らかな分布になり、ranking 学習が効く。
|
| 284 |
+
- margin に弱い負ペナルティを掛ける理由 — margin が極端に大きい「楽勝行」を
|
| 285 |
+
タイブレークで後回しにするため。
|
| 286 |
+
|
| 287 |
+
#### Hard Negative の観測レンジ (採用行に対して)
|
| 288 |
+
|
| 289 |
+
| 項目 | 観測値 |
|
| 290 |
+
| ----- | -----: |
|
| 291 |
+
| positive logit (平均) | 8.80 |
|
| 292 |
+
| positive logit (5%-tile / 95%-tile) | 3.68 / 12.02 |
|
| 293 |
+
| neg_1 logit (平均、最硬の negative) | -1.50 |
|
| 294 |
+
| neg_5 logit (平均、5 番目の negative) | -5.35 |
|
| 295 |
+
| margin = pos − max(neg) (平均) | 10.30 |
|
| 296 |
+
| margin = pos − max(neg) (最小) | 4.00 |
|
| 297 |
+
|
| 298 |
+
採用行の最小 margin が MIN_DIFF_FROM_POS = 4.0 を下回らないことが構造的に保証される
|
| 299 |
+
(Hard Negative 選定段階で pos - neg >= 4.0 を全 5 件に対して要求しているため)。
|
| 300 |
+
|
| 301 |
+
### KL 蒸留損失への組み込み (PyTorch 例)
|
| 302 |
+
|
| 303 |
+
```python
|
| 304 |
+
import torch.nn.functional as F
|
| 305 |
+
|
| 306 |
+
def kl_distill_loss(student_logits, teacher_label, T=2.0):
|
| 307 |
+
"""
|
| 308 |
+
Args:
|
| 309 |
+
student_logits: (B, 6) student の (query, doc_i) スコア (生 logit)
|
| 310 |
+
teacher_label: (B, 6) label カラムをそのまま (生 logit)
|
| 311 |
+
T: distillation temperature (推奨 1.0〜4.0、生 logit レンジが広めなので 2.0 前後が扱いやすい)
|
| 312 |
+
"""
|
| 313 |
+
log_p_student = F.log_softmax(student_logits / T, dim=-1)
|
| 314 |
+
p_teacher = F.softmax(teacher_label / T, dim=-1)
|
| 315 |
+
return F.kl_div(log_p_student, p_teacher, reduction="batchmean") * (T * T)
|
| 316 |
+
```
|
| 317 |
+
|
| 318 |
+
sentence-transformers の SparseDistillKLDivLoss / DistillKLDivLoss を使う場合は、
|
| 319 |
+
label カラムをそのまま teacher score として渡せばよい。
|
| 320 |
+
|
| 321 |
+
## 変更履歴
|
| 322 |
+
|
| 323 |
+
| バージョン | リポジトリ | 日付 | 概要 |
|
| 324 |
+
|---|---|---|---|
|
| 325 |
+
| v2 (= 本リポジトリ) | mahiyama/auto-wiki-qa (Public) | 2026-05 | HNM retriever を cl-nagoya/ruri-v3-310m に、教師 reranker を cl-nagoya/ruri-v3-reranker-310m に刷新。faiss-cpu IndexFlatIP ベース。Hard Negative 選定を 単一 margin filter (pos − neg ≥ 4.0) に変更し、false negative リークを構造的に排除。両モデルとも Apache 2.0 で商用利用可。 |
|
| 326 |
+
| v1 | mahiyama/auto-wiki-qa (Public) | 2024 | 初版。HNM retriever = jinaai/jina-embeddings-v5-text-small、教師 reranker = cl-nagoya/ruri-reranker-large。フィルタは < pos × 0.95 の positive-aware filter のみ。 |
|
| 327 |
+
|
| 328 |
+
## License
|
| 329 |
+
|
| 330 |
+
CC BY-SA 4.0
|
| 331 |
+
|
| 332 |
+
- Passage 本文は��本語版 Wikipedia 由来であり、CC BY-SA 4.0
|
| 333 |
+
(Wikipedia コンテンツの表示・継承ライセンス) を継承する。
|
| 334 |
+
- クエリは hpprc/emb の auto-wiki-qa 由来。利用・再配布時は元データセットの
|
| 335 |
+
ライセンスと利用条件にも従うこと。
|
| 336 |
+
- HNM retriever / 蒸留教師 (cl-nagoya/ruri-v3-310m / ruri-v3-reranker-310m) は
|
| 337 |
+
Apache 2.0 ライセンスで、商用利用に制限はない。
|
| 338 |
+
|
| 339 |
+
## Citation
|
| 340 |
+
|
| 341 |
+
元データセットを引用してください:
|
| 342 |
+
|
| 343 |
+
```bibtex
|
| 344 |
+
@misc{hpprc_emb,
|
| 345 |
+
author = {Hayato Tsukagoshi},
|
| 346 |
+
title = {hpprc/emb: Japanese text embedding training datasets},
|
| 347 |
+
year = {2024},
|
| 348 |
+
url = {https://huggingface.co/datasets/hpprc/emb},
|
| 349 |
+
}
|
| 350 |
+
```
|
| 351 |
+
|
| 352 |
+
教師モデルの引用:
|
| 353 |
+
|
| 354 |
+
```bibtex
|
| 355 |
+
@misc{ruri_v3,
|
| 356 |
+
author = {Tsukagoshi, Hayato and Sasano, Ryohei},
|
| 357 |
+
title = {Ruri v3: Japanese General Text Embeddings},
|
| 358 |
+
year = {2025},
|
| 359 |
+
url = {https://huggingface.co/cl-nagoya/ruri-v3-310m},
|
| 360 |
+
}
|
| 361 |
+
```
|
| 362 |
+
|
| 363 |
+
## Acknowledgements
|
| 364 |
+
|
| 365 |
+
- 元データ: [hpprc/emb — auto-wiki-qa](https://huggingface.co/datasets/hpprc/emb)
|
| 366 |
+
- ベース passage コーパス: [Japanese Wikipedia](https://ja.wikipedia.org/)
|
| 367 |
+
- HNM 用 retriever: [cl-nagoya/ruri-v3-310m](https://huggingface.co/cl-nagoya/ruri-v3-310m)
|
| 368 |
+
- 蒸留教師: [cl-nagoya/ruri-v3-reranker-310m](https://huggingface.co/cl-nagoya/ruri-v3-reranker-310m)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|