标签:

• 句子转换器
• 特征提取
• 句子相似度
• 转换器 数据集:
• shunk031/jsnli 许可证: cc-by-sa-4.0 语言:
• 日语 评估指标:
• 斯皮尔曼等级相关系数 库名称: sentence-transformers 推理: 不支持

sup-simcse-ja-large 日语监督式SimCSE大模型

使用方法（Sentence-Transformers库）

安装sentence-transformers后即可便捷使用本模型：

pip install -U fugashi[unidic-lite] sentence-transformers

调用示例：

from sentence_transformers import SentenceTransformer
sentences = ["你好，世界！", "文本嵌入太棒了！快说文本嵌入太棒了", "极度干燥起来"]

model = SentenceTransformer("cl-nagoya/sup-simcse-ja-large")
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers库）

若不使用sentence-transformers，可通过以下方式调用：

from transformers import AutoTokenizer, AutoModel
import torch

def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]

sentences = ['这是示例句子', '每个句子都会被转换']

tokenizer = AutoTokenizer.from_pretrained("cl-nagoya/sup-simcse-ja-large")
model = AutoModel.from_pretrained("cl-nagoya/sup-simcse-ja-large")

encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

with torch.no_grad():
    model_output = model(**encoded_input)

sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])
print("句子嵌入向量：")
print(sentence_embeddings)

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) 内含Transformer模型: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

模型概要

• 微调方法：监督式SimCSE
• 基础模型：cl-tohoku/bert-large-japanese-v2
• 训练数据集：JSNLI日语自然语言推理数据集
• 池化策略：CLS标记池化（训练时附加MLP层）
• 隐藏层维度：1024
• 学习率：5e-5
• 批处理大小：512
• 温度系数：0.05
• 最大序列长度：64
• 训练样本数：2^20
• 验证间隔（步数）：2^6
• 预热比例：0.1
• 数据类型：BFloat16

实验细节详见GitHub仓库

引用与作者

@misc{
  hayato-tsukagoshi-2023-simple-simcse-ja,
  author = {Hayato Tsukagoshi},
  title = {日语简易SimCSE实现},
  year = {2023},
  publisher = {GitHub},
  journal = {GitHub仓库},
  howpublished = {\url{https://github.com/hppRC/simple-simcse-ja}}
}