pipeline_tag: 句子相似度 tags:

• sentence-transformers
• 特征提取
• 句子相似度
• transformers
• dpr widget:
• source_sentence: "我用孟加拉语唱歌" sentences:
  • "我用孟加拉语唱歌"
  • "我用孟加拉文唱歌"
  • "我用英语唱歌"
  • "我不会唱歌" example_title: "歌唱示例"

semantic_xlmr

这是一个基于sentence-transformers的模型：能够将句子和段落映射到768维稠密向量空间，适用于聚类或语义搜索等任务。

模型详情

• 模型名称: semantic_xlmr
• 模型版本: 1.0
• 架构: 句子转换器
• 语言: 多语言（针对孟加拉语微调）

训练方法

该模型采用多语言知识蒸馏方法进行微调。以paraphrase-distilroberta-base-v2作为教师模型，xlm-roberta-large作为学生模型训练。

使用场景

• 主要用途: 语义相似度计算、聚类分析、语义搜索
• 潜在应用: 文档检索、信息检索、推荐系统、聊天机器人系统、FAQ系统

使用方法

使用Sentence-Transformers库

安装sentence-transformers后即可便捷调用：

pip install -U sentence-transformers

调用示例：

from sentence_transformers import SentenceTransformer
sentences = ["我用孟加拉语唱歌", "আমি বাংলায় গান গাই"]

model = SentenceTransformer('headlesstech/semantic_xlmr')
embeddings = model.encode(sentences)
print(embeddings)

使用HuggingFace Transformers库

若不使用sentence-transformers，可按以下方式调用：

from transformers import AutoTokenizer, AutoModel
import torch

# 定义均值池化方法（考虑注意力掩码）
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # 获取所有token的嵌入表示
    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 = ["我用孟加拉语唱歌", "আমি বাংলায় গান গাই"]

# 加载模型
tokenizer = AutoTokenizer.from_pretrained('headlesstech/semantic_xlmr')
model = AutoModel.from_pretrained('headlesstech/semantic_xlmr')

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

# 计算token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("句子嵌入向量：")
print(sentence_embeddings)

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
  (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})
)