pipeline_tag: 句子相似度 tags:

• sentence-transformers
• 特征提取
• 句子相似度
• transformers
• 否定 license: cc-by-sa-4.0 language:
• 英文 datasets:
• tum-nlp/cannot-dataset

NegMPNet

这是all-mpnet-base-v2的否定感知版本。它是一个sentence-transformers模型：能够将句子和段落映射到768维的密集向量空间，可用于聚类或语义搜索等任务。
更多信息，请参阅我们的论文This is not correct! Negation-aware Evaluation of Language Generation Systems。

使用方法（Sentence-Transformers）

安装sentence-transformers后，可以轻松使用此模型：

pip install -U sentence-transformers

然后可以像这样使用模型：

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("tum-nlp/NegMPNet")
embeddings = model.encode(sentences)
print(embeddings)

否定感知

与基础模型相比，此模型对否定更敏感。您可以自行尝试：

from sentence_transformers import SentenceTransformer, util
import torch

base_model = SentenceTransformer("sentence-transformers/all-mpnet-base-v2")
finetuned_model = SentenceTransformer("tum-nlp/NegMPNet")

def cos_similarities(references: list, candidates: list, model: SentenceTransformer, batch_size=8) -> torch.Tensor:
    assert len(references) == len(candidates), "参考和候选的数量必须相等"
    emb_ref = model.encode(references, batch_size=batch_size)
    emb_cand = model.encode(candidates, batch_size=batch_size)
    return torch.diag(util.cos_sim(emb_ref, emb_cand))

references = ["Ray Charles是传奇人物。", "Ray Charles是传奇人物"]
candidates = ["Ray Charles是个传奇。", "Ray Charles不是传奇人物。"]
print(cos_similarities(references, candidates, base_model)) # 输出 tensor([0.9453, 0.8683]) -> 无否定感知
print(cos_similarities(references, candidates, finetuned_model)) # 输出 tensor([0.9585, 0.4263]) -> 对否定敏感

使用方法（HuggingFace Transformers）

如果不使用sentence-transformers，可以这样使用模型：首先将输入传递给transformer模型，然后对上下文化的词嵌入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("tum-nlp/NegMPNet")
model = AutoModel.from_pretrained("tum-nlp/NegMPNet")

# 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。这里使用均值池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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