pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度
• 转换器

keyphrase-mpnet-v1

这是一个专为短语优化的sentence-transformers模型：它将短语映射到768维稠密向量空间，可用于聚类或语义搜索等任务。在原论文中，该模型用于计算基于语义的关键短语模型评估指标。

本模型基于sentence-transformers/all-mpnet-base-v2，并通过SimCSE方法在100万条关键短语数据上进行了微调。

引用与作者

论文：KPEval: Towards Fine-grained Semantic-based Keyphrase Evaluation

@inproceedings{wu-etal-2024-kpeval,
    title = "{KPE}val: 基于细粒度语义的关键短语评估",
    author = "吴迪 和
      尹达 和
      常凯威",
    editor = "Ku, Lun-Wei 和
      Martins, Andre 和
      Srikumar, Vivek",
    booktitle = "ACL 2024计算语言学协会发现",
    month = "8月",
    year = "2024",
    address = "泰国曼谷及线上会议",
    publisher = "计算语言学协会",
    url = "https://aclanthology.org/2024.findings-acl.117",
    pages = "1959--1981",
}

使用（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
phrases = ["信息检索", "文本挖掘", "自然语言处理"]

model = SentenceTransformer('uclanlp/keyphrase-mpnet-v1')
embeddings = model.encode(phrases)
print(embeddings)

使用（HuggingFace Transformers）

若不使用sentence-transformers，可通过以下方式：先将输入传入转换器模型，再对上下文词嵌入执行池化操作。

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)

#待编码短语
phrases = ["信息检索", "文本挖掘", "自然语言处理"]

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('uclanlp/keyphrase-mpnet-v1')
model = AutoModel.from_pretrained('uclanlp/keyphrase-mpnet-v1')

#分词处理
encoded_input = tokenizer(phrases, padding=True, truncation=True, return_tensors='pt')

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

#执行均值池化
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("短语嵌入：")
print(sentence_embeddings)

训练数据

模型在覆盖多领域的四个关键短语数据集上训练：

训练参数：

数据加载器： 长度2025的torch.utils.data.dataloader.DataLoader，参数：

{'batch_size': 512, 'sampler': '随机采样器', 'batch_sampler': '批采样器'}

损失函数： sentence_transformers.losses.MultipleNegativesRankingLoss，参数：

{'scale': 20.0, 'similarity_fct': '余弦相似度'}

训练方法参数：

{
    "epochs": 1,
    "evaluation_steps": 0,
    "evaluator": "无",
    "max_grad_norm": 1,
    "optimizer_class": "AdamW优化器",
    "optimizer_params": {"lr": 1e-06},
    "scheduler": "线性预热",
    "steps_per_epoch": null,
    "warmup_steps": 203,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 12, 'do_lower_case': False}) 含MPNet模型 
  (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})
)