pipeline_tag: 句子相似度 language: "多语言" tags:

• 特征提取
• 句子相似度
• transformers
• 多语言

mstsb-paraphrase-multilingual-mpnet-base-v2

这是对sentence-transformers中的paraphrase-multilingual-mpnet-base-v2模型进行微调的版本，基于扩展至15种语言的语义文本相似度基准。该模型将句子和段落映射到768维的密集向量空间，可用于聚类、语义搜索及测量两句话之间的相似度等任务。

本模型是针对多语言数据的语义文本相似度任务对paraphrase-multilingual-mpnet-base-v2进行微调的版本。微调所用数据集是通过谷歌翻译扩展至15种语言的STSb数据集。为保证数据质量，置信度低于0.7的句子对被剔除。扩展后的数据集可在GitHub获取，包含的语言有：阿拉伯语(ar)、捷克语(cs)、德语(de)、英语(en)、西班牙语(es)、法语(fr)、印地语(hi)、意大利语(it)、日语(ja)、荷兰语(nl)、波兰语(pl)、葡萄牙语(pt)、俄语(ru)、土耳其语(tr)、简体中文(zh-CN)、繁体中文(zh-TW)。通过平均池化操作将词嵌入压缩为句子嵌入（更多细节见下文）。

使用（HuggingFace Transformers）

若不使用sentence-transformers，可按以下方式调用模型：首先将输入传入transformer模型，然后对上下文相关的词嵌入应用适当的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch

# 需定义正确的池化函数：平均池化
# 平均池化 - 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嵌入
    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)


# 待编码的句子
sentences = ["这是一个示例句子", "这是另一个示例句子", "最後の例文"]

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('AIDA-UPM/mstsb-paraphrase-multilingual-mpnet-base-v2')
model = AutoModel.from_pretrained('AIDA-UPM/mstsb-paraphrase-multilingual-mpnet-base-v2')

# 对句子进行分词
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算词嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 执行池化操作。此处采用平均池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("句子嵌入：")
print(sentence_embeddings)

评估结果

在语义文本相似度任务中测试了模型性能。多语言STSB提供的15种语言被组合为单语和跨语言任务，共31项任务。单语任务中的句子来自同一语言（如Ar-Ar、Es-Es），而跨语言任务中的句子分别使用不同语言，其中一句为英语（如en-ar、en-es）。

下表比较了基于paraphrase-multilingual-mpnet-base-v2的模型与针对语义相似度微调的mstsb-paraphrase-multilingual-mpnet-base-v2模型在31项任务中的平均多语言语义文本相似度能力。需注意两者均为多语言模型，但后者使用多语言数据针对语义相似度进行了调整。平均相关系数通过将各相关系数转换为Fisher's z值、求平均后再转换回相关系数得出。

下表按任务类型细分了mstsb-paraphrase-multilingual-mpnet-base-v2的性能表现。为便于阅读，任务分为单语和跨语言两类展示。

训练过程

模型训练参数如下：

数据加载器：

使用torch.utils.data.dataloader.DataLoader，长度687，参数：

{'batch_size': 132, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数：

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit()方法参数：

{
    "callback": null,
    "epochs": 2,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 140,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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})
)

引用与作者