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'MiniLM-L12'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中预测出数据集中实际与之配对的句子。

本模型开发于Hugging Face组织的使用JAX/Flax进行NLP与CV社区周活动，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和云团队关于高效深度学习框架的技术指导。

用途说明

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

使用方法

通过SentenceTransformers库使用本模型获取文本特征：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('flax-sentence-embeddings/all_datasets_v4_MiniLM-L12')
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'MiniLM-L12'预训练模型，详见原模型卡。

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区分正负样本。

超参数配置

在TPU v3-8集群上训练54万步，批次大小1024（单核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）。完整训练脚本参见代码库。

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于data_config.json。