pipeline_tag: 句子相似度 tags:

• sentence-transformers
• 特征提取
• 句子相似度
• transformers

dense_encoder-msmarco-distilbert-word2vec256k-MLM_445k

该模型基于vocab-transformers/msmarco-distilbert-word2vec256k-MLM_445k，采用通过word2vec初始化的256k大小词汇表，并经过445k步MLM训练。注意：词嵌入已更新！

模型在MS MARCO数据集上使用MarginMSELoss进行训练。参见本仓库中的train_script.py文件。注意：词嵌入已更新！

性能表现：

• MS MARCO开发集：34.94（MRR@10）
• TREC-DL 2019：66.72（nDCG@10）
• TREC-DL 2020：69.14（nDCG@10）

使用方法（Sentence-Transformers）

这是一个sentence-transformers模型：可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。

安装sentence-transformers后即可轻松使用：

pip install -U sentence-transformers

使用方式如下：

from sentence_transformers import SentenceTransformer
sentences = ["这是一个示例句子", "每个句子都会被转换"]

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，可按以下方式操作：首先将输入传入transformer模型，然后对上下文词嵌入应用正确的池化操作。

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)

#待编码句子
sentences = ['这是一个示例句子', '每个句子都会被转换']

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

#分词处理
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（此处为均值池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

该模型的自动化评估结果参见句子嵌入基准测试：https://seb.sbert.net

训练过程

模型训练参数如下：

数据加载器：

torch.utils.data.dataloader.DataLoader，长度7858，参数：

{'batch_size': 64, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数：

sentence_transformers.losses.MarginMSELoss.MarginMSELoss

fit()方法参数：

{
    "epochs": 30,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 250, '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})
)

引用与作者