pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度
• MTEB model-index:
• name: sgpt-bloom-1b7-nli results:
  • task: type: 分类 dataset: type: mteb/amazon_reviews_multi name: MTEB亚马逊评论分类（法语） config: fr split: 测试集 revision: c379a6705fec24a2493fa68e011692605f44e119 metrics:
    • type: 准确率 value: 39.286
    • type: F1值 value: 38.87078070073539
  • task: type: 分类 dataset: type: mteb/amazon_reviews_multi name: MTEB亚马逊评论分类（中文） config: zh split: 测试集 revision: c379a6705fec24a2493fa68e011692605f44e119 metrics:
    • type: 准确率 value: 37.634
    • type: F1值 value: 36.86046604093418
  • task: type: 分类 dataset: type: mteb/mtop_domain name: MTEB MTOP领域分类（法语） config: fr split: 测试集 revision: a7e2a951126a26fc8c6a69f835f33a346ba259e3 metrics:
    • type: 准确率 value: 83.79893517068588
    • type: F1值 value: 83.72326662566203
  • task: type: 分类 dataset: type: mteb/mtop_intent name: MTEB MTOP意图分类（法语） config: fr split: 测试集 revision: 6299947a7777084cc2d4b64235bf7190381ce755 metrics:
    • type: 准确率 value: 63.36047604134043
    • type: F1值 value: 44.261707019308126
  • task: type: 分类 dataset: type: mteb/amazon_massive_intent name: MTEB大规模意图分类（法语） config: fr split: 测试集 revision: 072a486a144adf7f4479a4a0dddb2152e161e1ea metrics:
    • type: 准确率 value: 64.57632817753867
    • type: F1值 value: 62.60453982786661
  • task: type: 分类 dataset: type: mteb/amazon_massive_scenario name: MTEB大规模场景分类（法语） config: fr split: 测试集 revision: 7d571f92784cd94a019292a1f45445077d0ef634 metrics:
    • type: 准确率 value: 69.59986550100874
    • type: F1值 value: 69.71803697939914
  • task: type: 语义文本相似度 dataset: type: mteb/sts22-crosslingual-sts name: MTEB STS22（中文） config: zh split: 测试集 revision: 2de6ce8c1921b71a755b262c6b57fef195dd7906 metrics:
    • type: 余弦相似度皮尔逊 value: 59.71781185663265
    • type: 余弦相似度斯皮尔曼 value: 58.538648447630514
    • type: 欧氏距离皮尔逊 value: 53.53848180206165
    • type: 欧氏距离斯皮尔曼 value: 56.33730262964236
    • type: 曼哈顿距离皮尔逊 value: 54.62109820575505
    • type: 曼哈顿距离斯皮尔曼 value: 57.223846291318914
  • task: type: 语义文本相似度 dataset: type: mteb/sts22-crosslingual-sts name: MTEB STS22（法语） config: fr split: 测试集 revision: 2de6ce8c1921b71a755b262c6b57fef195dd7906 metrics:
    • type: 余弦相似度皮尔逊 value: 73.44021434651606
    • type: 余弦相似度斯皮尔曼 value: 73.13412769502769
    • type: 欧氏距离皮尔逊 value: 68.16368597409867
    • type: 欧氏距离斯皮尔曼 value: 72.44964781564485
    • type: 曼哈顿距离皮尔逊 value: 69.42307032478939
    • type: 曼哈顿距离斯皮尔曼 value: 73.3523195012387

sgpt-bloom-1b7-nli

使用方法

使用说明请参考：https://github.com/Muennighoff/sgpt#symmetric-semantic-search

模型训练命令如下：

CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 accelerate launch examples/training/nli/training_nli_v2.py --model_name bigscience/bloom-1b3 --freezenonbias --train_batch_size 128 --lr 32e-5 --pooling weightedmean --wandb --wandbwatchlog gradients --gradcache --chunksize 4

评估结果

{'askubuntu': 57.44, 'cqadupstack': 14.18, 'twitterpara': 73.99, 'scidocs': 74.74, 'avg': 55.087500000000006}

训练过程

模型训练参数如下：

数据加载器：

使用sentence_transformers.datasets.NoDuplicatesDataLoader.NoDuplicatesDataLoader，长度4403，参数：

{'batch_size': 128}

该模型采用BitFit、加权平均池化和梯度缓存技术，详见论文：https://arxiv.org/abs/2202.08904

损失函数：

sentence_transformers.losses.MultipleNegativesRankingLoss.MNRLGradCache

训练方法参数：

{
    "epochs": 1,
    "evaluation_steps": 440,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 0.00032
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 441,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 75, 'do_lower_case': False}) 内含Transformer模型: BloomModel 
  (1): Pooling({'word_embedding_dimension': 2048, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': True, 'pooling_mode_lasttoken': False})
)

引用与作者

@article{muennighoff2022sgpt,
  title={SGPT: GPT句子嵌入在语义搜索中的应用},
  author={Muennighoff, Niklas},
  journal={arXiv预印本 arXiv:2202.08904},
  year={2022}
}