pipeline_tag: 句子相似度
language: 法语
tags:

• 句子相似度
• transformers
• 法语
• flaubert
• sentence-transformers
• 特征提取
• xnli
• stsb_multi_mt
  datasets:
• xnli
• stsb_multi_mt

inokufu/flaubert-base-uncased-xnli-sts

这是一个基于sentence-transformers的模型：它能将句子和段落映射到一个768维的密集向量空间，可用于聚类或语义搜索等任务。

详情

该模型基于法语预训练模型flaubert-base-uncased[1, 2]。

随后在自然语言推理任务（XNLI）[3]上进行了微调。该任务旨在训练模型识别句子之间的关系（矛盾、中立、蕴含）。

接着在文本语义相似度任务（STS-fr数据）[4]上进一步微调。此任务训练模型评估两个句子之间的相似度。

通过这一微调过程，我们的模型能够获得比基础模型更优的词语语义表示能力。

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用此模型：

pip install -U sentence-transformers  

随后按以下方式调用模型：

from sentence_transformers import SentenceTransformer  
sentences = ["学习Python", "成为会计专家"]  

model = SentenceTransformer('inokufu/flaubert-base-uncased-xnli-sts')  
embeddings = model.encode(sentences)  
print(embeddings)  

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，可按以下流程操作：首先将输入传入transformer模型，然后需在上下文词向量上执行正确的池化操作。

from transformers import AutoTokenizer, AutoModel  
import torch  

#均值池化——考虑注意力掩码以确保正确平均  
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向量  
    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)  

#待编码句子示例  
sentences = ["学习Python", "成为会计专家"]  

#从HuggingFace Hub加载模型  
tokenizer = AutoTokenizer.from_pretrained('inokufu/flaubert-base-uncased-xnli-sts')  
model = AutoModel.from_pretrained('inokufu/flaubert-base-uncased-xnli-sts')  

#句子分词  
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')  

#计算词向量  
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("句子向量：")  
print(sentence_embeddings)  

评估结果

STS（法语）得分：83.07%

模型架构

SentenceTransformer(  
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) with Transformer model: FlaubertModel  
  (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})  
)  

参考文献

[1] https://hal.archives-ouvertes.fr/hal-02784776v3/document

[2] https://huggingface.co/flaubert/flaubert_base_uncased

[3] https://arxiv.org/abs/1809.05053

[4] https://huggingface.co/datasets/stsb_multi_mt