pipeline_tag: 句子相似度
language: 英文
tags:

• 句子相似度
• transformers
• 教育
• 英文
• bert
• sentence-transformers
• 特征提取
• xnli
• stsb_multi_mt
  datasets:
• xnli
• stsb_multi_mt

inokufu/bertheo-en

这是一个基于sentence-transformers的模型，专为课程相关句子微调。它能将句子和段落映射到768维的密集向量空间，适用于聚类或语义搜索等任务。

详情

该模型基于英文bert-base-uncased预训练模型[1, 2]。

首先在我们的学习对象（LO）句子数据集上进行了微调。该数据集包含50万条课程描述句子的样本。我们采用了原始BERT论文[2]中提到的标准参数设置进行微调，使模型在特定领域句子上的掩码语言模型任务表现更优。

随后在自然语言推理任务（XNLI）[3]上进行了微调。该任务训练模型识别句子间关系（矛盾、中立、蕴含）。

最后在文本语义相似度任务（STS数据）[4]上进行了微调。该任务训练模型评估两个句子的相似程度。

这一系列微调过程使得我们的模型能提供比基础模型更优质的词语语义表示。

使用方法（Sentence-Transformers）

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 = ["学习Python编程", "成为会计专家"]

model = SentenceTransformer('inokufu/bert-base-uncased-xnli-sts-finetuned-education')
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：先将输入传入transformer模型，再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 = ["学习Python编程", "成为会计专家"]

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('inokufu/bert-base-uncased-xnli-sts-finetuned-education')
model = AutoModel.from_pretrained('inokufu/bert-base-uncased-xnli-sts-finetuned-education')

#分词处理
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：")
print(sentence_embeddings)

评估结果

STS（英文）得分：84.61%

模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) 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})
)

参考文献

[1] https://huggingface.co/bert-base-uncased
[2] https://arxiv.org/abs/1810.04805
[3] https://arxiv.org/abs/1809.05053
[4] https://huggingface.co/datasets/stsb_multi_mt