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roberta-large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。

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10亿训练对打造最佳句子嵌入模型项目。项目运行得益于高效硬件基础设施：7块TPU v3-8芯片，并获Google Flax、JAX及云团队关于深度学习框架优化的技术支持。

用途说明

本模型设计为句子编码器。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_v3_roberta-large')
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

采用预训练的roberta-large模型，详见该模型卡获取预训练细节。

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，批次大小为1024（每TPU核心128）。采用500步学习率预热，序列长度限制为128词符。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见data_config.json文件。