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
• 韩语
• 英语 widget: source_sentence: "韩国的首都是？" sentences:
  • "首尔特别市是韩国政治、经济、文化的中心城市。"
  • "釜山是韩国的第二大城市，也是最大的海洋物流城市。"
  • "济州岛是韩国著名的旅游胜地"
  • "首尔是韩国的首都"
  • "蔚山广域市是位于韩国东南沿海的广域市"

moco-sentencedistilbertV2.0

这是一个sentence-transformers模型：它将句子和段落映射到768维的密集向量空间，可用于聚类或语义搜索等任务。

• 该模型基于mdistilbertV1.1模型，使用moco-corpus语料库(MOCOMSYS提取的3.2M句子)训练为sentencebert后，进一步通过STS师生蒸馏训练而成。
• 词汇量：164,314个(原mdistilbertV1.1词汇146,444个，新增17,870个词汇)
  MLM模型：bongsoo/mdistilbertV2.0

使用方法 (Sentence-Transformers)

安装sentence-transformers后即可轻松使用该模型：

pip install -U sentence_transformers

然后可以按如下方式使用模型：

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('bongsoo/moco-sentencedistilbertV2.0')
embeddings = model.encode(sentences)
print(embeddings)

# 使用sklearn计算cosine_scores
# => 输入embeddings应为(1,768)这样的2D形式
from sklearn.metrics.pairwise import paired_cosine_distances, paired_euclidean_distances, paired_manhattan_distances
cosine_scores = 1 - (paired_cosine_distances(embeddings[0].reshape(1,-1), embeddings[1].reshape(1,-1)))

print(f'*cosine_score:{cosine_scores[0]}')

输出(Outputs)

[[ 9.7172342e-02 -3.3226651e-01 -7.7130608e-05 ...  1.3900512e-02 2.1072578e-01 -1.5386048e-01]
 [ 2.3313640e-02 -8.4675789e-02 -3.7715461e-06 ...  2.4005771e-02 -1.6602692e-01 -1.2729791e-01]]
*cosine_score:0.3383665680885315

使用方法 (HuggingFace Transformers)

若不使用sentence-transformers，可以这样使用模型：首先将输入通过转换器模型，然后需要在上下文化的词嵌入上应用正确的池化操作。

• 使用平均池化(mean_pooling)方式。(cls池化, max池化)

from transformers import AutoTokenizer, AutoModel
import torch


#平均池化 - 考虑注意力掩码以正确平均
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('bongsoo/moco-sentencedistilbertV2.0')
model = AutoModel.from_pretrained('bongsoo/moco-sentencedistilbertV2.0')

# 对句子进行标记化
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。此处使用平均池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

# 使用sklearn计算cosine_scores
# => 输入embeddings应为(1,768)这样的2D形式
from sklearn.metrics.pairwise import paired_cosine_distances, paired_euclidean_distances, paired_manhattan_distances
cosine_scores = 1 - (paired_cosine_distances(sentence_embeddings[0].reshape(1,-1), sentence_embeddings[1].reshape(1,-1)))

print(f'*cosine_score:{cosine_scores[0]}')

输出(Outputs)

句子嵌入:
tensor([[ 9.7172e-02, -3.3227e-01, -7.7131e-05,  ...,  1.3901e-02, 2.1073e-01, -1.5386e-01],
        [ 2.3314e-02, -8.4676e-02, -3.7715e-06,  ...,  2.4006e-02, -1.6603e-01, -1.2730e-01]])
*cosine_score:0.3383665680885315

评估结果

• 性能测试使用了以下韩语(kor)和英语(en)评估语料库：
  韩语：korsts(1,379对句子)和klue-sts(519对句子)
  英语：stsb_multi_mt(1,376对句子)
• 性能指标通过cosin.spearman测量比较。
• 评估测试代码参见此处

如需自动评估此模型，请参见句子嵌入基准：https://seb.sbert.net

训练过程

模型训练参数如下：

1. MLM训练

• 输入模型：bongsoo/mdistilbertV1.1(*kowiki20220620(4.4M)语料库训练的distilbert-base-multilingual-cased)
• 语料库：nlp_corpus(3.2M)：MOCOMSYS文件精炼的语料库
• 超参数：学习率：5e-5，epochs：8，batchsize：32，max_token_len：128
• 输出模型：mdistilbertV2.0
• 训练时间：27小时
• 训练代码参见此处

2. STS训练

• 将distilbert转换为sentencebert。
• 输入模型：mdistilbertV2.0
• 语料库：korsts + kluestsV1.1 + stsb_multi_mt + mteb/sickr-sts (总计：33,093)
• 超参数：学习率：2e-5，epochs：200，batchsize：32，max_token_len：128
• 输出模型：sbert-mdistilbertV2.0
• 训练时间：5小时
• 训练代码参见此处

3.蒸馏(distilation)训练

• 学生模型：sbert-mdistilbertV2.0
• 教师模型：paraphrase-multilingual-mpnet-base-v2
• 语料库：en_ko_train.tsv(韩语-英语社会科学领域平行语料库：1.1M)
• 超参数：学习率：5e-5，epochs：40，batchsize：32，max_token_len：128
• 输出模型：sbert-mdistilbertV2.0.2-distil
• 训练时间：11小时
• 训练代码参见此处

4.STS训练

• 对sentencebert模型进行sts训练
• 输入模型：sbert-mdistilbertV2.0.2-distil
• 语料库：korsts + kluestsV1.1 + stsb_multi_mt + mteb/sickr-sts (总计：33,093)
• 超参数：学习率：3e-5，epochs：800，batchsize：32，max_token_len：128
• 输出模型：moco-sentencedistilbertV2.0
• 训练时间：15小时
• 训练代码参见此处

模型制作过程的详细信息请参见此处。

数据加载器:

torch.utils.data.dataloader.DataLoader，长度1035，参数：

{'batch_size': 32, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

配置:

{
  "_name_or_path": "../../data11/model/sbert/sbert-mdistilbertV2.0.2-distil",
  "activation": "gelu",
  "architectures": [
    "DistilBertModel"
  ],
  "attention_dropout": 0.1,
  "dim": 768,
  "dropout": 0.1,
  "hidden_dim": 3072,
  "initializer_range": 0.02,
  "max_position_embeddings": 512,
  "model_type": "distilbert",
  "n_heads": 12,
  "n_layers": 6,
  "output_past": true,
  "pad_token_id": 0,
  "qa_dropout": 0.1,
  "seq_classif_dropout": 0.2,
  "sinusoidal_pos_embds": false,
  "tie_weights_": true,
  "torch_dtype": "float32",
  "transformers_version": "4.21.2",
  "vocab_size": 164314
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: DistilBertModel 
  (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

bongsoo