pipeline_tag: 问答 tags:

• 语义搜索
• 句子相似度
• sentence-transformers
• transformers
• 人工智能
• 计算机科学 language:
• en metrics:
• 准确率 datasets:
• Adel-Elwan/人工智能-IR系统数据集

model-index:

• name: Adel-Elwan/msmarco-bert-base-dot-v5微调-AI版 results:
  • task: type: 语义搜索 name: 语义搜索 dataset: type: Adel-Elwan/人工智能-IR系统数据集 name: 面向IR系统的人工智能数据集 split: 测试集 metrics:

    • type: 准确率 value: 83.45% name: 前5准确率

    • type: 准确率 value: 87.78% name: 前10准确率

    • type: 精确率 value: 16.69% name: 前5精确率

    • type: 召回率 value: 83.45% name: 前5召回率

    • type: 召回率 value: 87.78% name: 前10召回率

    • type: 平均倒数排名 value: 0.7327 name: MRR@10 verified: true

{MODEL_NAME}

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

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用：

pip install -U sentence-transformers

使用示例：

from sentence_transformers import SentenceTransformer
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)

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，可通过以下方式调用：先将输入传入transformer模型，再对上下文词嵌入执行正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch

#均值池化-考虑注意力掩码进行正确平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #模型输出的第一个元素包含所有词标记嵌入
    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)

#待编码句子
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}')

#标记化句子
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

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

#执行池化操作（本例采用均值池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

该模型的自动化评估结果可参考句子嵌入基准测试：https://seb.sbert.net

训练参数

数据加载器： 长度6563的torch.utils.data.dataloader.DataLoader，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.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数：

{'scale': 20.0, 'similarity_fct': 'dot_score'}

fit()方法参数：

{
    "epochs": 1,
    "evaluation_steps": 5000,
    "evaluator": "sentence_transformers.evaluation.InformationRetrievalEvaluator.InformationRetrievalEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "correct_bias": false,
        "eps": 1e-06,
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 656,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (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})
)