pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度 language: zh

模型描述

本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'MiniLM-L6-H384-uncased'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，模型需从随机采样的负例句子集中预测出真实配对句。

该模型开发于Hugging Face组织的JAX/Flax社区周活动，属于用10亿训练对打造最佳句子嵌入模型项目。训练得益于7块TPU v3-8的硬件支持，以及Google Flax/JAX团队和云平台团队关于高效深度学习框架的技术指导。

使用场景

本模型设计用于句子编码，输入句子可输出蕴含语义信息的向量表示。适用于信息检索、文本聚类或句子相似度计算等任务。

使用方法

通过SentenceTransformers库调用模型：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v4_MiniLM-L6')
text = "输入任意文本"
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'MiniLM-L6-H384-uncased'作为基础模型，该模型是'microsoft/MiniLM-L12-H384-uncased'的6层精简版（保留偶数层）。详见原模型卡获取预训练细节。

微调阶段

使用对比学习目标进行微调：计算批次内所有句对的余弦相似度，通过交叉熵损失函数优化正负例区分能力。

超参数配置

在TPU v3-8集群上训练54万步，批次大小1024（每核心128）。采用500步学习率预热，序列长度限制128词符，使用AdamW优化器（学习率2e-5）。完整训练脚本见代码库。

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见data_config.json文件。