pipeline_tag: 句子相似度 license: apache-2.0 language:

• 意大利语 tags:
• 句子转换器
• 特征提取
• 句子相似度
• 转换器 datasets:
• unicamp-dl/mmarco

mmarco-sentence-BERTino

这是一个基于sentence-transformers的模型：能够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。该模型基于mmarco数据集训练而成。

Mohan Samant，《午夜钓鱼派对》，1978年

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用本模型：

pip install -U sentence-transformers

随后可按如下方式调用模型：

from sentence_transformers import SentenceTransformer
sentences = ["这是一个示例句子", "这是另一个示例"]

model = SentenceTransformer('efederici/mmarco-sentence-BERTino')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，可通过以下方式调用模型：首先将输入传入转换器模型，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)

# 待编码的句子
sentences = ["这是一个示例句子", "这是另一个示例"]

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('efederici/mmarco-sentence-BERTino')
model = AutoModel.from_pretrained('efederici/mmarco-sentence-BERTino')

# 句子分词
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("句子嵌入向量：")
print(sentence_embeddings)

完整模型架构

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