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

{歌词-BERT模型}

这是一个基于sentence-transformers的模型：能够将句子和段落映射到300维的密集向量空间，适用于聚类或语义搜索等任务。

该模型基于约48万首被python langdetect包识别为英文的歌词进行训练。采用对比学习和多重负样本排序损失从头开始训练，基础模型为bert-base-uncased版本。在损失函数停滞于$1.16 * 10^{-4}$后，共训练了17个周期。

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用：

pip install -U sentence-transformers

使用方式如下：

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('brunokreiner/lyrics-bert')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，可按以下方式操作：首先通过转换器模型传递输入，然后需在上下文词嵌入上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch


#均值池化 - 考虑注意力掩码以确保正确平均
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符嵌入
    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文本
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('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

# 对句子进行词符化
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算词符嵌入
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("句子嵌入结果：")
print(sentence_embeddings)

评估结果

关于本模型的自动化评估，请参阅句子嵌入基准测试：https://seb.sbert.net

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 300, '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