model-index:

• name: mmarco-bert-base-italian-uncased results:
  • task: type: Classification dataset: type: mteb/amazon_massive_intent name: MTEB MassiveIntent分类任务 (意大利语) config: it split: test revision: 31efe3c427b0bae9c22cbb560b8f15491cc6bed7 metrics:
    • type: accuracy value: 55.06052454606589
    • type: f1 value: 54.014768121214104
  • task: type: Classification dataset: type: mteb/amazon_massive_scenario name: MTEB MassiveScenario分类任务 (意大利语) config: it split: test revision: 7d571f92784cd94a019292a1f45445077d0ef634 metrics:
    • type: accuracy value: 63.04303967720243
    • type: f1 value: 62.695230714417406
  • task: type: STS dataset: type: mteb/sts22-crosslingual-sts name: MTEB STS22 (意大利语) config: it split: test revision: 6d1ba47164174a496b7fa5d3569dae26a6813b80 metrics:
    • type: cos_sim_pearson value: 64.73840574137837
    • type: cos_sim_spearman value: 69.44233124548987
    • type: euclidean_pearson value: 67.65045364124317
    • type: euclidean_spearman value: 69.586510471675
    • type: manhattan_pearson value: 67.76125181623837
    • type: manhattan_spearman value: 69.61010945802974 pipeline_tag: sentence-similarity tags:
• sentence-transformers
• feature-extraction
• sentence-similarity
• transformers
• mteb license: mit datasets:
• unicamp-dl/mmarco language:
• it library_name: sentence-transformers region: Italy

MMARCO-bert-base-italian-uncased

这是一个基于sentence-transformers的模型：它能将句子和段落映射到768维的密集向量空间，适用于聚类或语义搜索等任务。

使用方法（Sentence-Transformers）

安装sentence-transformers后，可以轻松使用此模型：

pip install -U sentence-transformers

然后按以下方式使用模型：

from sentence_transformers import SentenceTransformer, util

query = "伦敦有多少人口？"
docs = ["伦敦大约有900万人口", "伦敦以其金融区闻名"]

#加载模型
model = SentenceTransformer('nickprock/mmarco-bert-base-italian-uncased')

#编码查询和文档
query_emb = model.encode(query)
doc_emb = model.encode(docs)

#计算查询与所有文档嵌入的点积分数
scores = util.dot_score(query_emb, doc_emb)[0].cpu().tolist()

#组合文档和分数
doc_score_pairs = list(zip(docs, scores))

#按分数降序排序
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)

#输出段落和分数
for doc, score in doc_score_pairs:
    print(score, doc)

使用方法（HuggingFace Transformers）

如果不使用sentence-transformers，可以按以下方式使用模型：首先将输入传递给transformer模型，然后在上下文化的词嵌入上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.last_hidden_state
    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)


#编码文本
def encode(texts):
    # 分词句子
    encoded_input = tokenizer(texts, padding=True, truncation=True, return_tensors='pt')

    # 计算词嵌入
    with torch.no_grad():
        model_output = model(**encoded_input, return_dict=True)

    # 执行池化
    embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

    return embeddings


# 需要句子嵌入的句子
query = "伦敦有多少人口？"
docs = ["伦敦大约有900万人口", "伦敦以其金融区闻名"]

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained("nickprock/mmarco-bert-base-italian-uncased")
model = AutoModel.from_pretrained("nickprock/mmarco-bert-base-italian-uncased")

#编码查询和文档
query_emb = encode(query)
doc_emb = encode(docs)

#计算查询与所有文档嵌入的点积分数
scores = torch.mm(query_emb, doc_emb.transpose(0, 1))[0].cpu().tolist()

#组合文档和分数
doc_score_pairs = list(zip(docs, scores))

#按分数降序排序
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)

#输出段落和分数
print("查询:", query)
for doc, score in doc_score_pairs:
    print(score, doc)

评估结果

关于此模型的自动化评估，请参见句子嵌入基准：https://seb.sbert.net

训练

模型训练参数如下：

数据加载器：

torch.utils.data.dataloader.DataLoader，长度为6250，参数为：

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

损失函数：

sentence_transformers.losses.TripletLoss.TripletLoss，参数为：

{'distance_metric': 'TripletDistanceMetric.EUCLIDEAN', 'triplet_margin': 5}

fit()方法的参数：

{
    "epochs": 10,
    "evaluation_steps": 500,
    "evaluator": "sentence_transformers.evaluation.TripletEvaluator.TripletEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": 1500,
    "warmup_steps": 6250,
    "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})
)

引用和作者