pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度 language: 英文 license: apache-2.0

all-mpnet-base-v2

这是一个sentence-transformers模型：它将句子和段落映射到384维的密集向量空间，可用于聚类或语义搜索等任务。

使用（Sentence-Transformers）

安装sentence-transformers后，使用此模型变得非常简单：

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('sentence-transformers/all-mpnet-base-v2')
embeddings = model.encode(sentences)
print(embeddings)

使用（HuggingFace Transformers）

如果没有安装sentence-transformers，可以这样使用模型：首先将输入传递给transformer模型，然后需要在上下文化的词嵌入之上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

#均值池化 - 考虑注意力掩码以进行正确的平均
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)


# 需要获取句子嵌入的句子
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('sentence-transformers/all-mpnet-base-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-mpnet-base-v2')

# 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
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# 归一化嵌入
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

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

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

背景

该项目旨在使用自监督的对比学习目标，在非常大的句子级别数据集上训练句子嵌入模型。我们使用了预训练的microsoft/mpnet-base模型，并在10亿句子对的数据集上进行了微调。我们采用了对比学习目标：给定一对句子中的一个句子，模型应预测在随机采样的其他句子中，哪个句子实际上与它在数据集中配对。

我们在Hugging Face组织的使用JAX/Flax进行NLP和CV的社区周中开发了这个模型。我们作为使用10亿训练对训练最佳句子嵌入模型项目的一部分开发了这个模型。我们受益于高效的硬件基础设施来运行项目：7个TPU v3-8，以及来自Google的Flax、JAX和云团队成员关于高效深度学习框架的干预。

预期用途

我们的模型旨在用作句子和短段落编码器。给定输入文本，它输出一个捕获语义信息的向量。句子向量可用于信息检索、聚类或句子相似性任务。

默认情况下，超过512个词片的输入文本会被截断。

训练过程

预训练

我们使用了预训练的microsoft/mpnet-base模型。有关预训练过程的更详细信息，请参阅模型卡。

微调

我们使用对比目标对模型进行微调。形式上，我们计算批次中每个可能句子对的余弦相似度。然后通过与真实对的比较应用交叉熵损失。

超参数

我们在TPU v3-8上训练了模型。我们使用1024的批次大小（每个TPU核心128）训练了100k步。我们使用了500的学习率预热。序列长度限制为128个词片。我们使用了AdamW优化器，学习率为2e-5。完整的训练脚本可在当前存储库中找到：train_script.py。

训练数据

我们使用了多个数据集的连接来微调我们的模型。句子对的总数超过10亿。我们根据data_config.json文件中详细说明的加权概率对每个数据集进行了采样。