pipeline_tag: 句子相似度 tags:

• sentence-transformers
• 特征提取
• 句子相似度
• transformers

ST-NLI-ca_paraphrase-multilingual-mpnet-base

这是一个基于sentence-transformers的模型：它能将句子和段落映射到768维稠密向量空间，可用于聚类或语义搜索等任务。

该模型通过进一步训练多语言微调模型paraphrase-multilingual-mpnet-base-v2开发而成，使用了自然语言推理（NLI）数据进行训练。具体而言，它基于两个加泰罗尼亚语NLI数据集训练：TE-ca和XNLI的专业加泰罗尼亚语翻译版本。训练采用了带有困难负样本的多重负样本排序损失（Multiple Negatives Ranking Loss with Hard Negatives），利用由前提、蕴含假设和矛盾句组成的三元组。需要注意的是，由于这种格式，NLI数据集中的中性假设未被用于训练。此外，作为一种数据增强手段，训练集通过复制三元组并交换前提与蕴含假设的顺序进行了扩展，最终形成了18,928个三元组。

使用方法（Sentence-Transformers）

安装sentence-transformers后，使用此模型非常简单：

pip install -U sentence-transformers

然后可以按如下方式使用模型：

from sentence_transformers import SentenceTransformer, util
sentences = ["这是一个示例句子", "每个句子都会被转换"]

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

例如，要按与参考句的相似度排序句子列表，可使用以下代码：

reference_sent = "今天是个好日子。"
sentences = [
    "我喜欢今天的天气。",
    "每个人都有不顺的日子。",
    "今天是星期四。",
    "今天天气真的很糟糕",
]

reference_sent_embedding = model.encode(reference_sent)
similarity_scores = {}
for sentence in sentences:
    sent_embedding = model.encode(sentence)
    cosine_similarity = util.pytorch_cos_sim(reference_sent_embedding, sent_embedding)
    similarity_scores[float(cosine_similarity.data[0][0])] = sentence

print(f"句子按与'{reference_sent}'的相似度排序（从高到低）：")
for i, (cosine_similarity,sent) in enumerate(dict(sorted(similarity_scores.items(), reverse=True)).items()):
    print(f"{i}) '{sent}': {cosine_similarity}")

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，可按如下方式使用模型：首先将输入通过transformer模型，然后需在上下文化词嵌入上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch


#均值池化 - 考虑注意力掩码以正确平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #model_output的第一个元素包含所有词嵌入
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# 需要获取句子嵌入的句子
sentences = ['这是一个示例句子', '每个句子都会被转换']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

# 对句子进行分词
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算词嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 执行池化操作。此处为均值池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("句子嵌入：")
print(sentence_embeddings)