语言:

• 希腊语 任务标签:
• 句子相似度 标签:
• 句子转换器
• 特征提取
• 句子相似度
• 转换器
• 长文档处理模型 评估指标:
• 余弦准确率
• 欧氏距离准确率
• 曼哈顿距离准确率 模型索引:
• 名称: st-greek-media-longformer-4096 结果: [ { "任务": { "名称": "STS基准测试", "类型": "句子相似度" }, "评估指标": [ { "类型": "余弦准确率", "值": 0.9425676261863862 }, { "类型": "欧氏距离准确率", "值": 0.942637030867732 }, { "类型": "曼哈顿距离准确率", "值": 0.9427758402304235 }, ], "数据集": { "名称": "所有自定义希腊媒体三元组", "类型": "句子对", }, }, ]

希腊媒体SLF（句子长文档处理模型）

这是一个基于希腊媒体长文档处理模型的句子转换器：它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。

使用方法（句子转换器）

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('dimitriz/st-greek-media-longformer-4096')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace转换器）

如果没有安装sentence-transformers，可以这样使用模型：首先将输入传递给转换器模型，然后必须在上下文化词嵌入之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[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('dimitriz/st-greek-media-longformer-4096')
model = AutoModel.from_pretrained('dimitriz/st-greek-media-longformer-4096')

# 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)

评估结果

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

训练

该模型在包含来自希腊“互联网”、“社交媒体”和“新闻”领域组合的三元组自定义数据集上训练，论文DACL中有描述。

• 数据集通过从同一领域采样句子三元组创建，其中前两个句子比第三个更相似。
• 训练目标是最大化前两个句子的相似度，最小化第一个和第三个句子的相似度。
• 模型训练了3个周期，批次大小为2，最大序列长度为4096个标记。
• 模型在单个NVIDIA RTX A6000 GPU（48GB内存）上训练。

训练参数如下：

数据加载器:

torch.utils.data.dataloader.DataLoader，长度172897，参数：

{'batch_size': 1, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数:

sentence_transformers.losses.TripletLoss.TripletLoss，参数：

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

fit()方法参数：

{
    "epochs": 3,
    "evaluation_steps": 1000,
    "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": null,
    "warmup_steps": 17290,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 4096, 'do_lower_case': False}) with Transformer model: LongformerModel
  (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})
)

引用与作者

该模型已随文章《从预训练到元学习：低资源语言表示学习之旅》正式发布。 作者：Dimitrios Zaikis和Ioannis Vlahavas。 发表于：IEEE Access。

如果使用该模型，请引用以下内容：

@ARTICLE{10288436,
    author =  {Zaikis, Dimitrios and Vlahavas, Ioannis},
    journal = {IEEE Access},
    title =   {From Pre-training to Meta-Learning: A journey in Low-Resource-Language Representation Learning},
    year =    {2023},
    volume =  {},
    number =  {},
    pages =   {1-1},
    doi =     {10.1109/ACCESS.2023.3326337}
  }