pipeline_tag: 句子相似度 tags:

• sentence-transformers
• 特征提取
• 句子相似度
• transformers language:
• 波兰语 license: cc-by-sa-4.0 library_name: sentence-transformers datasets:
• radlab/polish-sts-dataset models:
• sdadas/polish-roberta-large-v2

radlab/polish-sts-v2

这是一个基于sentence-transformers的模型：它能将句子和段落映射到一个1024维的密集向量空间，可用于聚类或语义搜索等任务。

基础模型采用了sdadas/polish-roberta-large-v2。

该模型已弃用，现由radlab/polish-bi-encoder-mean替代。

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用：

pip install -U sentence-transformers

然后按如下方式调用：

from sentence_transformers import SentenceTransformer
sentences = ["Ala有只猫", "Ala有只狗"]

model = SentenceTransformer('radlab/polish-sts-v2')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，需先通过transformer模型处理输入，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] #模型输出的首元素包含所有词标记嵌入
    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)

#待编码句子
sentences = ['Ala有只猫', 'Ala有只狗']

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('radlab/polish-sts-v2')
model = AutoModel.from_pretrained('radlab/polish-sts-v2')

#标记化句子
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

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

#执行池化操作（此处为均值池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

训练过程

模型训练参数如下：

数据加载器：

torch.utils.data.dataloader.DataLoader，长度8225，参数：

{'batch_size': 8, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数：

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

训练方法参数：

{
    "epochs": 5,
    "evaluation_steps": 250,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 4113,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 514, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)