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
• 语义搜索
• 中文

DMetaSoul/sbert-chinese-qmc-finance-v1

该模型基于bert-base-chinese版本的BERT模型，在大规模银行问题匹配数据集（BQCorpus）上进行了训练优化，专为金融领域的问题匹配场景设计，例如：

• "8千日利息400元?" vs "10000元日利息多少钱"
• "提前还款是按全额计息" vs "还款扣款不成功怎么还款？"
• "为什么我借钱交易失败" vs "刚申请的借款为什么会失败"

注：此模型的轻量化版本也已开源！

使用方法

1. Sentence-Transformers

通过sentence-transformers框架使用该模型，首先安装：

pip install -U sentence-transformers

然后使用以下代码加载模型并提取文本表征向量：

from sentence_transformers import SentenceTransformer
sentences = ["到期不能按时还款怎么办", "剩余欠款还有多少？"]

model = SentenceTransformer('DMetaSoul/sbert-chinese-qmc-finance-v1')
embeddings = model.encode(sentences)
print(embeddings)

2. HuggingFace Transformers

如果不使用sentence-transformers，也可以通过HuggingFace Transformers加载模型并提取文本向量：

from transformers import AutoTokenizer, AutoModel
import torch


#均值池化 - 考虑注意力掩码以正确计算平均值
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标记嵌入
    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 = ["到期不能按时还款怎么办", "剩余欠款还有多少？"]

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('DMetaSoul/sbert-chinese-qmc-finance-v1')
model = AutoModel.from_pretrained('DMetaSoul/sbert-chinese-qmc-finance-v1')

#对句子进行标记化
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

#计算标记嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

#执行池化操作。此处采用均值池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估

该模型在多个公开语义匹配数据集上进行了评测，计算了向量相似度与真实标签之间的相关性系数：

引用与作者

电子邮箱：xiaowenbin@dmetasoul.com