pipeline_tag: 句子相似度
tags:

• sentence-transformers
• 特征提取
• 句子相似度
• transformers
• 机器翻译评估
• 指标
• 评估

{AnanyaCoder/XLsim_en-de}

XLSim：基于孪生架构的机器翻译评估指标

XLSim是一种基于参考的监督式评估指标，其回归目标为WMT（2017-2022）提供的人工评分。该模型使用跨语言模型XLM-RoBERTa-base[ https://huggingface.co/xlm-roberta-base ]，通过孪生网络架构和余弦相似度损失进行训练。

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用本模型：

pip install -U sentence-transformers  

随后可按以下方式调用模型：

from sentence_transformers import SentenceTransformer, losses, models, util  

metric_model = SentenceTransformer('{MODEL_NAME}')  

# 为两组文本生成嵌入向量  
mt_samples = ['这是机器翻译句子1', '这是机器翻译句子2']  
ref_samples = ['这是参考句子1', '这是参考句子2']  

mtembeddings = metric_model.encode(mt_samples, convert_to_tensor=True)  
refembeddings = metric_model.encode(ref_samples, convert_to_tensor=True)  

# 计算余弦相似度  
cosine_scores_refmt = util.cos_sim(mtembeddings, refembeddings)  
# cosine_scores_srcmt = util.cos_sim(mtembeddings, srcembeddings) # 质量估计场景  
metric_model_scores = []  
for i in range(len(mt_samples)):  
    metric_model_scores.append(cosine_scores_refmt[i][i].tolist())  

scores = metric_model_scores  

评估结果

本模型的自动化评估结果详见：WMT23指标共享任务发现

训练过程

模型训练参数如下：

数据加载器：

使用torch.utils.data.dataloader.DataLoader，长度6625，参数：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}  

损失函数：

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

训练方法fit()的参数：

{
    "epochs": 4,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 2650,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用与作者

MEE4与XLsim：IIIT海德拉巴为WMT23指标共享任务提交的方案 (Mukherjee & Shrivastava, WMT 2023)