pipeline_tag: 句子相似度
language:

• 南非荷兰语
• 阿姆哈拉语
• 阿拉伯语
• 阿萨姆语
• 阿塞拜疆语
• 白俄罗斯语
• 保加利亚语
• 孟加拉语
• 藏语
• 波斯尼亚语
• 加泰罗尼亚语
• 宿务语
• 科西嘉语
• 捷克语
• 威尔士语
• 丹麦语
• 德语
• 希腊语
• 英语
• 世界语
• 西班牙语
• 爱沙尼亚语
• 巴斯克语
• 波斯语
• 芬兰语
• 法语
• 弗里斯兰语
• 爱尔兰语
• 苏格兰盖尔语
• 加利西亚语
• 古吉拉特语
• 豪萨语
• 夏威夷语
• 希伯来语
• 印地语
• 苗语
• 克罗地亚语
• 海地克里奥尔语
• 匈牙利语
• 亚美尼亚语
• 印尼语
• 伊博语
• 冰岛语
• 意大利语
• 日语
• 爪哇语
• 格鲁吉亚语
• 哈萨克语
• 高棉语
• 卡纳达语
• 韩语
• 库尔德语
• 吉尔吉斯语
• 拉丁语
• 卢森堡语
• 老挝语
• 立陶宛语
• 拉脱维亚语
• 马尔加什语
• 毛利语
• 马其顿语
• 马拉雅拉姆语
• 蒙古语
• 马拉地语
• 马来语
• 马耳他语
• 缅甸语
• 尼泊尔语
• 荷兰语
• 挪威语
• 齐切瓦语
• 奥里亚语
• 旁遮普语
• 波兰语
• 葡萄牙语
• 罗马尼亚语
• 俄语
• 卢旺达语
• 僧伽罗语
• 斯洛伐克语
• 斯洛文尼亚语
• 萨摩亚语
• 修纳语
• 索马里语
• 阿尔巴尼亚语
• 塞尔维亚语
• 塞索托语
• 巽他语
• 瑞典语
• 斯瓦希里语
• 泰米尔语
• 泰卢固语
• 塔吉克语
• 泰语
• 土库曼语
• 他加禄语
• 土耳其语
• 鞑靼语
• 维吾尔语
• 乌克兰语
• 乌尔都语
• 乌兹别克语
• 越南语
• 沃洛夫语
• 科萨语
• 意第绪语
• 约鲁巴语
• 中文
• 祖鲁语
  tags:
• bert
• 句子嵌入
• 多语言
• 谷歌
• 句子相似度
• lealla
• labse
  license: apache-2.0
  datasets:
• CommonCrawl
• 维基百科

LEALLA-large

模型描述

LEALLA 是一组轻量级、语言无关的句子嵌入模型集合，支持 109 种语言，是从 LaBSE 蒸馏而来。该模型适用于获取多语言句子嵌入以及双语文本检索。

• 模型: HuggingFace 模型库。
• 论文: arXiv。
• 原始模型: TensorFlow Hub。
• 从 TensorFlow 到 PyTorch 的转换: GitHub。

此模型是从 TF Hub 上的 v1 版本迁移而来。两个版本模型生成的嵌入向量是等效的。不过，对于某些语言（如日语），LEALLA 模型在比较嵌入向量和相似度时可能需要更高的容忍度。

使用方法

使用模型的方法如下：

import torch  
from transformers import BertModel, BertTokenizerFast  


tokenizer = BertTokenizerFast.from_pretrained("setu4993/LEALLA-large")  
model = BertModel.from_pretrained("setu4993/LEALLA-large")  
model = model.eval()  

english_sentences = [  
    "dog",  
    "Puppies are nice.",  
    "I enjoy taking long walks along the beach with my dog.",  
]  
english_inputs = tokenizer(english_sentences, return_tensors="pt", padding=True)  

with torch.no_grad():  
    english_outputs = model(**english_inputs)  

获取句子嵌入向量时，使用池化输出：

english_embeddings = english_outputs.pooler_output  

其他语言的输出示例：

italian_sentences = [  
    "cane",  
    "I cuccioli sono carini.",  
    "Mi piace fare lunghe passeggiate lungo la spiaggia con il mio cane.",  
]  
japanese_sentences = ["犬", "子犬はいいです", "私は犬と一緒にビーチを散歩するのが好きです"]  
italian_inputs = tokenizer(italian_sentences, return_tensors="pt", padding=True)  
japanese_inputs = tokenizer(japanese_sentences, return_tensors="pt", padding=True)  

with torch.no_grad():  
    italian_outputs = model(**italian_inputs)  
    japanese_outputs = model(**japanese_inputs)  

italian_embeddings = italian_outputs.pooler_output  
japanese_embeddings = japanese_outputs.pooler_output  

计算句子相似度时，建议在计算相似度之前先进行 L2 归一化：

import torch.nn.functional as F  


def similarity(embeddings_1, embeddings_2):  
    normalized_embeddings_1 = F.normalize(embeddings_1, p=2)  
    normalized_embeddings_2 = F.normalize(embeddings_2, p=2)  
    return torch.matmul(  
        normalized_embeddings_1, normalized_embeddings_2.transpose(0, 1)  
    )  


print(similarity(english_embeddings, italian_embeddings))  
print(similarity(english_embeddings, japanese_embeddings))  
print(similarity(italian_embeddings, japanese_embeddings))  

详细信息

关于数据、训练、评估和性能指标的详细信息，请参阅原始论文。

BibTeX 条目及引用信息

@inproceedings{mao-nakagawa-2023-lealla,  
    title = "{LEALLA}: Learning Lightweight Language-agnostic Sentence Embeddings with Knowledge Distillation",  
    author = "Mao, Zhuoyuan  and  
      Nakagawa, Tetsuji",  
    booktitle = "Proceedings of the 17th Conference of the European Chapter of the Association for Computational Linguistics",  
    month = may,  
    year = "2023",  
    address = "Dubrovnik, Croatia",  
    publisher = "Association for Computational Linguistics",  
    url = "https://aclanthology.org/2023.eacl-main.138",  
    doi = "10.18653/v1/2023.eacl-main.138",  
    pages = "1886--1894",  
    abstract = "Large-scale language-agnostic sentence embedding models such as LaBSE (Feng et al., 2022) obtain state-of-the-art performance for parallel sentence alignment. However, these large-scale models can suffer from inference speed and computation overhead. This study systematically explores learning language-agnostic sentence embeddings with lightweight models. We demonstrate that a thin-deep encoder can construct robust low-dimensional sentence embeddings for 109 languages. With our proposed distillation methods, we achieve further improvements by incorporating knowledge from a teacher model. Empirical results on Tatoeba, United Nations, and BUCC show the effectiveness of our lightweight models. We release our lightweight language-agnostic sentence embedding models LEALLA on TensorFlow Hub.",  
}