pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度 language: en

模型描述

该项目旨在通过自监督对比学习目标，在超大规模句子级数据集上训练句子嵌入模型。我们基于预训练的'mpnet-base'模型，在10亿句对数据集上进行微调。采用对比学习目标：给定句对中的一个句子，模型需要从随机采样的负例句子集中预测出实际与之配对的句子。

本模型是在Hugging Face组织的使用JAX/Flax进行NLP与CV社区周活动中开发的，属于用10亿训练句对打造最佳句子嵌入模型项目。我们获得了7块TPU v3-8的硬件支持，并得到Google Flax、JAX和云端团队关于高效深度学习框架的技术指导。

使用场景

本模型设计为句子编码器使用。输入句子后，可输出蕴含语义信息的向量表示。该向量可用于信息检索、文本聚类或句子相似度计算等任务。

使用方法

通过SentenceTransformers库获取文本特征的示例：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v4_mpnet-base')
text = "替换为任意文本"
text_embbedding = model.encode(text)
# 输出示例: array([-0.01559514, 0.04046123, ...], dtype=float32)

训练流程

预训练阶段

采用'mpnet-base'预训练模型，详见该模型卡获取更多预训练细节。

微调阶段

使用对比目标进行微调：计算批次内所有可能句对的余弦相似度，通过交叉熵损失函数与真实句对进行比较。

超参数配置

在TPU v3-8集群上训练54万步，批次大小1024（每TPU核心128）。采用500步学习率预热，序列长度限制为128个token，使用AdamW优化器（学习率2e-5）。完整训练脚本参见本仓库。

训练数据

整合多源数据集构成超10亿句对训练集，各数据集采样权重配置详见data_config.json文件。