pipeline_tag: 句子相似度 tags:

• sentence-transformers
• 特征提取
• 句子相似度
• transformers language: ko

kf-deberta-multitask

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。训练方法详见GitHub。

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用此模型：

pip install -U sentence-transformers

然后可以这样使用模型：

from sentence_transformers import SentenceTransformer
sentences = ["你好吗？", "这是一个用于韩语句子嵌入的BERT模型。"]

model = SentenceTransformer("upskyy/kf-deberta-multitask")
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

如果不使用sentence-transformers，可以这样使用模型：首先将输入传递给transformer模型，然后对上下文化的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)


# 需要获取句子嵌入的句子
sentences = ["你好吗？", "这是一个用于韩语句子嵌入的BERT模型。"]

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained("upskyy/kf-deberta-multitask")
model = AutoModel.from_pretrained("upskyy/kf-deberta-multitask")

# 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。这里使用均值池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

使用KorSTS和KorNLI训练数据集进行多任务学习后，在KorSTS评估数据集上的评估结果如下。

• 余弦皮尔逊：85.75
• 余弦斯皮尔曼：86.25
• 曼哈顿皮尔逊：84.80
• 曼哈顿斯皮尔曼：85.27
• 欧几里得皮尔逊：84.79
• 欧几里得斯皮尔曼：85.25
• 点积皮尔逊：82.93
• 点积斯皮尔曼：82.86

训练

模型训练参数如下：

数据加载器：

长度为4442的sentence_transformers.datasets.NoDuplicatesDataLoader.NoDuplicatesDataLoader，参数为：

{'batch_size': 128}

损失函数：

sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数为：

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

数据加载器：

长度为719的torch.utils.data.dataloader.DataLoader，参数为：

{'batch_size': 8, '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": 10,
    "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": 719,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: DebertaV2Model 
  (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

@proceedings{jeon-etal-2023-kfdeberta,
  title         = {KF-DeBERTa: 金融领域特定预训练语言模型},
  author        = {Eunkwang Jeon, Jungdae Kim, Minsang Song, and Joohyun Ryu},
  booktitle     = {第35届人类与认知语言技术年会论文集},
  moth          = {十月},
  year          = {2023},
  publisher     = {韩国信息科学家与工程师学会},
  url           = {http://www.hclt.kr/symp/?lnb=conference},
  pages         = {143--148},
}

@article{ham2020kornli,
  title={KorNLI和KorSTS：韩语自然语言理解的新基准数据集},
  author={Ham, Jiyeon and Choe, Yo Joong and Park, Kyubyong and Choi, Ilji and Soh, Hyungjoon},
  journal={arXiv预印本 arXiv:2004.03289},
  year={2020}
}