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 datasets:
• 印尼自然语言推理数据集 language:
• 印尼语

基于印尼NLI微调的IndoBERT模型

这是一个sentence-transformers模型：可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。

该模型基于indobenchmark的IndoBERT模型，并在Google Colab上使用印尼NLI数据集进行训练。

使用方法（Sentence-Transformers库）

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
sentences = ["这是一个示例句子", "每个句子都会被转换"]

model = SentenceTransformer('indobert-finetuned-indonli')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers库）

若不使用sentence-transformers库，可按以下方式操作：首先通过转换器模型处理输入，然后对上下文词嵌入执行正确的池化操作。

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元嵌入
    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 = ['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('indobert-finetuned-indonli')
model = AutoModel.from_pretrained('indobert-finetuned-indonli')

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

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

# 执行池化操作（本例采用均值池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

该模型的自动化评估可参考句子嵌入基准测试：https://seb.sbert.net

训练参数

数据加载器： 长度646的torch.utils.data.dataloader.DataLoader，参数为：

{'batch_size': 16, 'sampler': '随机采样器', 'batch_sampler': '批采样器'}

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

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

训练方法参数：

{
    "epochs": 1,
    "evaluation_steps": 64,
    "evaluator": "嵌入相似度评估器",
    "max_grad_norm": 1,
    "optimizer_class": "AdamW优化器",
    "optimizer_params": {"lr": 2e-05},
    "scheduler": "线性预热",
    "steps_per_epoch": null,
    "warmup_steps": 65,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 75, 'do_lower_case': False}) with Transformer model: BertModel 
  (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