🚀 跨编码器CamemBERT大模型

本项目是一个用于句子相似度计算的跨编码器模型，在现有模型基础上进行了改进，具备更强的鲁棒性和更优的性能，能够精准预测两个句子之间的语义相似度得分。

🚀 快速开始

若要使用此模型，需要安装 sentence-transformers：

pip install -U sentence-transformers

✨ 主要特性

• 基于跨编码器架构，专为句子相似度任务设计。
• 相比 dangvantuan/CrossEncoder-camembert-large 模型，具有更好的鲁棒性和性能。
• 结合了 Augmented SBERT 技术，利用成对采样策略提升效果。

📦 安装指南

使用此模型前，需安装 sentence-transformers 库：

pip install -U sentence-transformers

💻 使用示例

基础用法

from sentence_transformers import CrossEncoder
model = CrossEncoder('Lajavaness/CrossEncoder-camembert-large', max_length=512)
scores = model.predict([('Un avion est en train de décoller.', "Un homme joue d'une grande flûte."), ("Un homme étale du fromage râpé sur une pizza.", "Une personne jette un chat au plafond") ])

📚 详细文档

模型信息

评估

该模型可在 stsb 的法语测试数据上进行如下评估：

from sentence_transformers.readers import InputExample
from sentence_transformers.cross_encoder.evaluation import CECorrelationEvaluator
from datasets import load_dataset
def convert_dataset(dataset):
    dataset_samples=[]
    for df in dataset:
        score = float(df['similarity_score'])/5.0  # Normalize score to range 0 ... 1
        inp_example = InputExample(texts=[df['sentence1'], 
                                    df['sentence2']], label=score)
        dataset_samples.append(inp_example)
    return dataset_samples

# Loading the dataset for evaluation
df_dev = load_dataset("stsb_multi_mt", name="fr", split="dev")
df_test = load_dataset("stsb_multi_mt", name="fr", split="test")

# Convert the dataset for evaluation

# For Dev set:
dev_samples = convert_dataset(df_dev)
val_evaluator = CECorrelationEvaluator.from_input_examples(dev_samples, name='sts-dev')
val_evaluator(model, output_path="./")

# For Test set, the Pearson and Spearman correlation are evaluated on many different benchmark datasets:

test_samples = convert_dataset(df_test)
test_evaluator = CECorrelationEvaluator.from_input_examples(test_samples, name='sts-test')
test_evaluator(models, output_path="./")

测试结果

性能通过皮尔逊相关系数和斯皮尔曼相关系数进行衡量：

开发集

测试集 - 皮尔逊得分

测试集 - 斯皮尔曼得分

📄 许可证

本项目采用 apache-2.0 许可证。