pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度
• 转换器 library_name: 通用 language:
• 越南语 widget:
• source_sentence: 河内理工大学如何吸引国际学生？ sentences:

  • 河内理工大学开发了英语授课项目，使国际学生在此学习更加便利。

  • 河内理工大学多元化的学习环境和为国际学生提供的全面支持帮助他们快速适应。
  • 河内的秋季气候凉爽宜人。
  • 河内的美食既美味又丰富。 license: apache-2.0

bkai-foundation-models/越南语双向编码器

这是一个sentence-transformers模型：它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。

我们在合并的训练数据集上训练该模型，数据集包括：

• 翻译成越南语的MS Macro
• 翻译成越南语的SQuAD v2
• 2021年Zalo法律文本检索挑战赛80%的训练集

我们使用phobert-base-v2作为预训练基础模型。

以下是该模型在2021年Zalo法律文本检索挑战赛剩余20%训练集上的表现：

使用（Sentence-Transformers）

安装sentence-transformers后，使用此模型非常简单：

pip install -U sentence-transformers

然后可以如下使用模型：

from sentence_transformers import SentenceTransformer

# 输入文本必须已分词！
sentences = ["她 是 一个 开朗 的 人 。", "她 整天 说说笑笑 。"]

model = SentenceTransformer('bkai-foundation-models/vietnamese-bi-encoder')
embeddings = model.encode(sentences)
print(embeddings)

使用（HuggingFace小部件）

该小部件在默认流程基础上添加了额外的分词器，因此在使用API前无需手动分词：

示例可参见托管推理API。

使用（HuggingFace Transformers）

若不使用sentence-transformers，可按以下方式使用模型：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 - 考虑注意力掩码以正确平均
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)


# 需要获取句子嵌入的句子，可使用pyvi、underthesea或RDRSegment进行分词
sentences = ['她 是 一个 开朗 的 人 。', '她 整天 说说笑笑 。']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('bkai-foundation-models/vietnamese-bi-encoder')
model = AutoModel.from_pretrained('bkai-foundation-models/vietnamese-bi-encoder')

# 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。此处采用均值池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

训练

模型训练参数如下：

数据加载器：

torch.utils.data.dataloader.DataLoader，长度17584，参数：

{'batch_size': 32, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数：

sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数：

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

fit()方法参数：

{
    "epochs": 15,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 1000,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: RobertaModel
  (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})
)

若本数据集用于您的工作，请引用我们的论文

  @article{duc2024towards,
    title={迈向全面的越南语检索增强生成与大语言模型},
    author={阮光德、黎海山、阮德仁、阮迪明、黎清华、丁越桑},
    journal={arXiv预印本 arXiv:2403.01616},
    year={2024}
  }