pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度 language: 英文 license: apache-2.0 datasets:
• s2orc
• flax-sentence-embeddings/stackexchange_xml
• MSMarco
• gooaq
• yahoo_answers_topics
• 代码搜索网络
• 搜索问答
• eli5
• snli
• multi_nli
• wikihow
• 自然问题
• 琐事问答
• 嵌入数据/句子压缩
• 嵌入数据/flickr30k字幕
• 嵌入数据/altlex
• 嵌入数据/简单维基
• 嵌入数据/QQP
• 嵌入数据/SPECTER
• 嵌入数据/PAQ配对
• 嵌入数据/WikiAnswers

all-MiniLM-L6-v2

这是一个sentence-transformers模型：它将句子和段落映射到384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（Sentence-Transformers）

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('sentence-transformers/all-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

如果不使用sentence-transformers，可以这样使用模型：首先将输入传递给transformer模型，然后必须在上下文化的词嵌入之上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

#平均池化 - 考虑注意力掩码以进行正确的平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #model_output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('sentence-transformers/all-MiniLM-L6-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')

# 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
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# 归一化嵌入
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

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：https://seb.sbert.net

背景

该项目旨在使用自监督的对比学习目标在非常大的句子级别数据集上训练句子嵌入模型。我们使用了预训练的nreimers/MiniLM-L6-H384-uncased模型，并在10亿句子对的数据集上进行了微调。我们使用了对比学习目标：给定一对句子中的一个句子，模型应预测在一组随机采样的其他句子中，哪个句子实际上与它在我们的数据集中配对。

我们在Hugging Face组织的使用JAX/Flax进行NLP和CV的社区周中开发了这个模型。我们作为项目的一部分开发了这个模型：用10亿训练对训练最好的句子嵌入模型。我们受益于高效硬件基础设施来运行项目：7个TPU v3-8，以及来自Google的Flax、JAX和云团队成员关于高效深度学习框架的干预。

预期用途

我们的模型旨在用作句子和短段落编码器。给定输入文本，它输出一个捕获语义信息的向量。句子向量可用于信息检索、聚类或句子相似性任务。

默认情况下，超过256个词片的输入文本会被截断。

训练过程

预训练

我们使用了预训练的nreimers/MiniLM-L6-H384-uncased模型。有关预训练过程的更多详细信息，请参阅模型卡。

微调

我们使用对比目标对模型进行微调。形式上，我们从批次中的每个可能的句子对计算余弦相似度。然后通过与真实对进行比较来应用交叉熵损失。

超参数

我们在TPU v3-8上训练了我们的模型。我们使用1024的批次大小（每个TPU核心128）训练了100k步。我们使用了500的学习率预热。序列长度限制为128个词片。我们使用了AdamW优化器，学习率为2e-5。完整的训练脚本可在当前存储库中找到：train_script.py。

训练数据

我们使用多个数据集的连接来微调我们的模型。句子对的总数超过10亿。我们根据data_config.json文件中详细说明的加权概率对每个数据集进行了采样。