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-domain-v1

该模型基于bert-base-chinese版本的BERT模型，在百度知道问题匹配数据集（LCQMC）上进行了训练优化，适用于开放领域的问题匹配场景，例如：

• 洗澡用什么香皂好？ vs. 洗澡用什么香皂好
• 大连哪里拍婚纱照好点？ vs. 大连哪里拍婚纱照比较好
• 银行卡怎样挂失？ vs. 银行卡丢了怎么挂失啊？

注：该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，首先进行安装：

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 = ["我的儿子！他猛然间喊道，我的儿子在哪儿？", "我的儿子呢！他突然喊道，我的儿子在哪里？"]

model = SentenceTransformer('DMetaSoul/sbert-chinese-qmc-domain-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 - 考虑注意力掩码以进行正确的平均
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 = ["我的儿子！他猛然间喊道，我的儿子在哪儿？", "我的儿子呢！他突然喊道，我的儿子在哪里？"]

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('DMetaSoul/sbert-chinese-qmc-domain-v1')
model = AutoModel.from_pretrained('DMetaSoul/sbert-chinese-qmc-domain-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。此处为均值池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估

该模型在多个公开的语义匹配数据集上进行了评估，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

电子邮件：xiaowenbin@dmetasoul.com