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

• sentence-transformers
• 特征提取
• 句子相似度
• transformers
  语言:
• 希伯来语

Sambert - 希伯来语嵌入模型

这是一个sentence-transformers模型：它能将句子和段落映射到768维的密集向量空间，可用于聚类或语义搜索等任务。

使用方法（Sentence-Transformers）

希伯来语句子转换器

安装sentence-transformers后，使用此模型非常简单：

pip install -U sentence-transformers

然后可以按以下方式使用模型：

from sentence_transformers import SentenceTransformer, util  
sentences = ["妈妈去了花园", "爸爸去了花园", "Yarkoni给我们买披萨"]  

model = SentenceTransformer('MPA/sambert')  
embeddings = model.encode(sentences)  
print(util.cos_sim(embeddings, embeddings))  

使用方法（HuggingFace Transformers）

如果不使用sentence-transformers，可以按以下方式使用模型：首先将输入传递给transformer模型，然后需要在上下文化词嵌入之上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel  
import torch  

# 均值池化 - 考虑注意力掩码以正确平均  
def mean_pooling(model_output, attention_mask):  
    token_embeddings = model_output[0] # 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)  

# 需要获取句子嵌入的句子  
sentences = ["妈妈去了花园", "爸爸去了花园", "Yarkoni给我们买披萨"]  

# 从HuggingFace Hub加载模型  
tokenizer = AutoTokenizer.from_pretrained('MPA/sambert')  
model = AutoModel.from_pretrained('MPA/sambert')  

# 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。此处为均值池化。  
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])  

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

评估结果

关于此模型的自动化评估，请参阅句子嵌入基准：https://seb.sbert.net

训练

该模型分两个阶段训练：

1. 无监督 - 约200万段落，使用'MultipleNegativesRankingLoss'在cls-token上训练
2. 有监督 - 约7万段落，使用'CosineSimilarityLoss'训练

训练参数如下：

数据加载器：

torch.utils.data.dataloader.DataLoader，长度11672，参数：

{'batch_size': 4, '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：

{  
    "epochs": 1,  
    "evaluation_steps": 1000,  
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",  
    "max_grad_norm": 1,  
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",  
    "optimizer_params": {  
        "lr": 2e-05  
    },  
    "scheduler": "WarmupLinear",  
    "steps_per_epoch": null,  
    "warmup_steps": 500,  
    "weight_decay": 0.01  
}  

完整模型架构

SentenceTransformer(  
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel  
  (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, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False})  
)  

引用与作者

基于

@misc{gueta2022large,
title={Large Pre-Trained Models with Extra-Large Vocabularies: A Contrastive Analysis of Hebrew BERT Models and a New One to Outperform Them All},
author={Eylon Gueta and Avi Shmidman and Shaltiel Shmidman and Cheyn Shmuel Shmidman and Joshua Guedalia and Moshe Koppel and Dan Bareket and Amit Seker and Reut Tsarfaty},
year={2022},
eprint={2211.15199},
archivePrefix={arXiv},
primaryClass={cs.CL}
}