🚀 基于sentence-transformers/all-MiniLM-L6-v2的句子转换器模型

本项目基于 sentence-transformers 框架，从 sentence-transformers/all-MiniLM-L6-v2 模型微调而来。该模型可将句子和段落映射到384维的密集向量空间，适用于语义文本相似度计算、语义搜索、释义挖掘、文本分类、聚类等多种任务。

✨ 主要特性

• 语义理解能力强：能够精准捕捉句子和段落的语义信息，将其转化为384维的密集向量。
• 应用场景广泛：可用于语义文本相似度计算、语义搜索、释义挖掘、文本分类、聚类等。
• 微调灵活：基于 sentence-transformers/all-MiniLM-L6-v2 模型微调，可根据具体需求进行定制化训练。

📦 安装指南

首先，你需要安装 sentence-transformers 库：

pip install -U sentence-transformers

💻 使用示例

基础用法

from sentence_transformers import SentenceTransformer

# 从🤗 Hub下载模型
model = SentenceTransformer("sentence_transformers_model_id")
# 进行推理
sentences = [
    'Mathematics for Machine Learning: PCA',
    'Cybersecurity',
    'General',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# 获取嵌入向量的相似度得分
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

📚 详细文档

模型详情

模型描述

模型来源

• 文档：Sentence Transformers Documentation
• 仓库：Sentence Transformers on GitHub
• Hugging Face：Sentence Transformers on Hugging Face

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

训练详情

训练数据集

未命名数据集

• 规模：1424个训练样本
• 列信息：包含 sentence_0、sentence_1 和 label 三列
• 近似统计信息（基于前1000个样本）：

  	sentence_0	sentence_1	label
  类型	字符串	字符串	整数
  详情	最小：3个词元 平均：8.99个词元 最大：41个词元	最小：3个词元 平均：3.41个词元 最大：6个词元	0：约49.70% 1：约50.30%

• 样本示例：

  sentence_0	sentence_1	label
  Biostatistics in Public Health	Statistics	1
  Vital Signs: Understanding What the Body Is Telling Us	Data Science	0
  Camino a la Excelencia en Gestión de Proyectos	Cybersecurity	0

• 损失函数：ContrastiveLoss，参数如下：

  {
      "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
      "margin": 0.5,
      "size_average": true
  }
  

训练超参数

非默认超参数

• per_device_train_batch_size：16
• per_device_eval_batch_size：16
• multi_dataset_batch_sampler：round_robin

所有超参数

框架版本

• Python：3.12.7
• Sentence Transformers：3.4.1
• Transformers：4.49.0
• PyTorch：2.5.1+cu124
• Accelerate：1.3.0
• Datasets：3.2.0
• Tokenizers：0.21.0

📄 许可证

文档中未提及许可证相关信息。

🔧 技术细节

引用信息

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

ContrastiveLoss

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
    title={Dimensionality Reduction by Learning an Invariant Mapping},
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}