pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度
• transformers language:
• 罗马尼亚语 language_creators:
• 机器生成 dataset:
• 罗马尼亚语义文本相似度数据集

stsb-xlm-r-multilingual-ro罗马尼亚语版

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。基于stsb-xlm-r-multilingual模型针对罗马尼亚语进行微调。

使用方法（Sentence-Transformers库）

安装sentence-transformers后即可便捷使用：

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('BlackKakapo/stsb-xlm-r-multilingual-ro')
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transformer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('BlackKakapo/stsb-xlm-r-multilingual-ro')
model = AutoModel.from_pretrained('BlackKakapo/stsb-xlm-r-multilingual-ro')

训练过程

数据集： STS-ro 罗马尼亚语文本数据集。相似度评分范围为0-5分，为适配EmbeddingSimilarityEvaluator评估器（微调评估组件）的0-1分制要求，将原始评分除以5。 数据结构示例：

{
'score': 1.5,
 'sentence1': '一位男子在弹奏竖琴',
 'sentence2': '一位男子在演奏键盘乐器',
}

数据加载器： 采用torch.utils.data.dataloader.DataLoader，参数为：

{'batch_size': 32, 'sampler': '随机采样器', 'batch_sampler': '批采样器'}

损失函数： sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

训练参数配置：

{
    "训练轮次": 10,
    "评估步长": 0,
    "评估器": "嵌入相似度评估器",
    "最大梯度范数": 1,
    "优化器类型": "AdamW",
    "优化器参数": {
        "学习率": 2e-05
    },
    "调度器": "线性预热",
    "每轮步数": null,
    "预热步数": 100,
    "权重衰减": 0.01
}

完整模型架构

句子转换器(
  (0): 变压器模型({'最大序列长度': 128, '小写转换': False}) 内含: XLMRoberta模型 
  (1): 池化层({'词嵌入维度': 768, 'CLS标记池化模式': False, '均值标记池化模式': True, '最大标记池化模式': False, '均方根长度标记池化模式': False})
)

引用与作者

BlackKakapo