库名称: sentence-transformers 流水线标签: 句子相似度 标签:

• 句子转换器
• 特征提取
• 句子相似度
• 转换器 数据集:
• 印尼自然语言推理
• 印尼故事填空
• 多语言MARCO数据集
• MIRACL跨语言检索数据集
• 单语游泳信息检索数据集
• 26种语言多语言NLI数据集(含印尼语)
• 印尼阅读理解数据集
• 印尼下一句预测数据集
• 泰迪问答黄金数据集
• 印尼事实问答数据集
• 印尼长式问答数据集
• 印尼问答数据集
• 印尼复述检测数据集

LazarusNLP/all-indo-e5-small-v4

这是一个sentence-transformers模型：它能将句子和段落映射到384维稠密向量空间，可用于聚类或语义搜索等任务。

使用方法(Sentence-Transformers)

安装sentence-transformers后即可轻松使用本模型：

pip install -U sentence-transformers

使用方式如下：

from sentence_transformers import SentenceTransformer
sentences = ["这是一个示例句子", "每个句子都会被转换"]

model = SentenceTransformer('LazarusNLP/all-indo-e5-small-v4')
embeddings = model.encode(sentences)
print(embeddings)

使用方法(HuggingFace Transformers)

若不使用sentence-transformers，可通过以下方式使用模型：首先将输入通过转换器模型，然后对上下文词嵌入应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch

#均值池化-考虑注意力掩码进行正确平均
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)

#待编码句子
sentences = ['这是一个示例句子', '每个句子都会被转换']

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('LazarusNLP/all-indo-e5-small-v4')
model = AutoModel.from_pretrained('LazarusNLP/all-indo-e5-small-v4')

#分词处理
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(本例使用均值池化)
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

该模型的自动化评估结果可参见句子嵌入基准测试：https://seb.sbert.net

训练过程

模型训练参数如下：

数据加载器： 长度1669的MultiDatasetDataLoader.MultiDatasetDataLoader，参数：

{'batch_size': '未知'}

损失函数： sentence_transformers.losses.CachedMultipleNegativesRankingLoss.CachedMultipleNegativesRankingLoss，参数：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

训练方法参数：

{
    "epochs": 5,
    "evaluation_steps": 0,
    "evaluator": "句子相似度评估器",
    "最大梯度范数": 1,
    "优化器": "AdamW",
    "优化器参数": {
        "eps": 1e-06,
        "学习率": 2e-05
    },
    "调度器": "线性预热",
    "每轮步数": null,
    "预热步数": 835,
    "权重衰减": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'最大序列长度': 128, '是否小写': False}) with Transformer model: BertModel 
  (1): Pooling({'词嵌入维度': 384, '是否池化CLS标记': False, '是否均值池化': True, '是否最大池化': False, '是否使用平方根长度加权': False, '是否加权平均': False, '是否最后标记': False, '是否包含提示': True})
)

引用与作者