🚀 mstsb-paraphrase-multilingual-mpnet-base-v2

这是一个基于 sentence-transformers 模型中 paraphrase-multilingual-mpnet-base-v2 的微调版本，使用 语义文本相似度基准 扩展到了 15 种语言。该模型可将句子和段落映射到 768 维的密集向量空间，适用于聚类、语义搜索以及测量两个句子之间的相似度等任务。

🚀 快速开始

本模型可以在安装 sentence-transformers 库后轻松使用，也可以直接使用 HuggingFace Transformers 库调用。下面分别介绍使用方法。

💻 使用示例

基础用法（HuggingFace Transformers）

from transformers import AutoTokenizer, AutoModel
import torch

# 我们应该定义合适的池化函数：均值池化
# 均值池化 - 考虑注意力掩码以进行正确的平均
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)

# 我们想要获取句子嵌入的句子
sentences = ["This is an example sentence", "Esta es otra frase de ejemplo", "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。在这种情况下，是均值池化
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

📚 详细文档

模型概述

本模型是 paraphrase-multilingual-mpnet-base-v2 的微调版本，用于处理多语言语义文本相似度任务。微调使用的数据集是通过 Google Translator 将 STSb 扩展到 15 种语言得到的。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 上获取。扩展版本包含的语言有：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）和繁体中文（zh-TW）。用于将词嵌入浓缩为句子嵌入的池化操作是均值池化。

评估结果

在语义文本相似度任务中对模型进行了测试。多语言 STSB 中的 15 种语言被组合成单语言和跨语言任务，共 31 个任务。单语言任务的两个句子来自同一种语言（例如，阿拉伯语 - 阿拉伯语、西班牙语 - 西班牙语），而跨语言任务的两个句子来自不同语言，其中一个为英语（例如，英语 - 阿拉伯语、英语 - 西班牙语）。

以下是基于 paraphrase-multilingual-mpnet-base-v2 的模型和微调后的 mstsb-paraphrase-multilingual-mpnet-base-v2 模型在 31 个任务上的平均多语言语义文本相似度能力对比。值得注意的是，两个模型都是多语言模型，但第二个模型针对语义相似度进行了多语言数据的调整。平均相关系数是通过将每个相关系数转换为 Fisher's z 值，求平均值，然后再转换回相关系数得到的。

单语言任务性能

跨语言任务性能

训练参数

数据加载器

torch.utils.data.dataloader.DataLoader，长度为 687，参数如下：

{'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() 方法的参数

{
    "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

文档中未提及相关信息。