pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度 language:
• 西班牙语 datasets:
• hackathon-pln-es/nli-es widget:
• text: "看看我们是不是得集体罢工直到拿到想要的工资。"
• text: "罢工是实现薪资提升最有效的斗争方式。"
• text: "我们将不得不选择通过罢工来争取应得的报酬。"
• text: "即使拿不到理想薪资，罢工方案也被排除了。"

bertin-roberta-base-finetuning-esnli

这是一个基于sentence-transformers的模型，专为西班牙语自然语言推理任务训练。它能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。

模型架构参考了这篇论文中的连体网络方法。

您可以在此处体验该模型的演示。

我们另一款paraphrase-spanish-distilroberta模型可在这里获取，演示页面位于此处。

使用方法（Sentence-Transformers）

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 = ["这是示例文本", "每个句子都会被转换"]

model = SentenceTransformer('hackathon-pln-es/bertin-roberta-base-finetuning-esnli')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

若不使用sentence-transformers库，需先通过transformer模型处理输入，再对上下文词嵌入执行池化操作：

from transformers import AutoTokenizer, AutoModel
import torch

# 均值池化 - 考虑注意力掩码
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # 模型输出的首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 = ['这是示例句子', '每个句子都会被转换']

# 加载模型
tokenizer = AutoTokenizer.from_pretrained('hackathon-pln-es/bertin-roberta-base-finetuning-esnli')
model = AutoModel.from_pretrained('hackathon-pln-es/bertin-roberta-base-finetuning-esnli')

# 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)

# 执行均值池化
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

模型在西班牙语SemEval-2015任务的语义文本相似度任务上进行了评估：

训练过程

训练数据 采用自然语言推理数据集组合：

• ESXNLI西班牙语部分
• 机器翻译的SNLI
• 机器翻译的MultiNLI

完整数据集见此处。

数据增强技巧：

for row in reader:
    if row['language'] == 'es':
        sent1 = row['sentence1'].strip()
        sent2 = row['sentence2'].strip()
        add_to_samples(sent1, sent2, row['gold_label'])
        add_to_samples(sent2, sent1, row['gold_label'])  # 同时添加反向样本

训练参数：

• 批次大小：64
• 损失函数：多重负样本排序损失（scale=20.0, similarity_fct='cos_sim'）
• 训练周期：10
• 学习率：2e-5
• 预热步数：909
• 权重衰减：0.01

模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 514, 'do_lower_case': False}) with RobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_mean_tokens': True})
)

作者团队

Anibal Pérez、 Emilio Tomás Ariza、 Lautaro Gesuelli与 Mauricio Mazuecos。