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 widget:
• example_title: 荷兰语示例 source_sentence: 这周我要去理发店 sentences:
  • 我打算近期去剪头发
  • 明天我想睡懒觉
  • 昨天我去看了电影 datasets:
• 荷兰法医研究所/AllNLI翻译荷兰语版
• 荷兰法医研究所/altlex翻译荷兰语版
• 荷兰法医研究所/coco图说翻译荷兰语版
• 荷兰法医研究所/flickr30k图说翻译荷兰语版
• 荷兰法医研究所/msmarco翻译荷兰语版
• 荷兰法医研究所/quora重复问题翻译荷兰语版
• 荷兰法医研究所/句子压缩翻译荷兰语版
• 荷兰法医研究所/简单维基翻译荷兰语版
• 荷兰法医研究所/技术论坛重复问题翻译荷兰语版
• 荷兰法医研究所/维基原子编辑翻译荷兰语版 language:
• 荷兰语 license: apache-2.0 base_model:
• 鲁汶大学DTAI/robbert-2022荷兰语基础模型

robbert-2022荷兰语句子转换器

这是一个句子转换器模型：能够将句子和段落映射到768维稠密向量空间，可用于聚类或语义搜索等任务。

该模型基于鲁汶大学的RobBERT模型，并在我们（机器）翻译成荷兰语的复述数据集上进行了微调。复述数据集包含多组相似文本对，例如论坛上的重复问题。我们已将用于训练该模型的翻译数据发布在Huggingface页面上。

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用：

pip install -U sentence-transformers

使用示例：

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('荷兰法医研究所/robbert-2022荷兰语句子转换器')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，可按以下方式使用：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元嵌入
    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('荷兰法医研究所/robbert-2022荷兰语句子转换器')
model = AutoModel.from_pretrained('荷兰法医研究所/robbert-2022荷兰语句子转换器')

#分词处理
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

#计算词元嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

#执行池化操作（本例采用均值池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

训练参数

模型训练配置：

数据加载器： MultiDatasetDataLoader.MultiDatasetDataLoader，长度414262，参数：

{'batch_size': 1}

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

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

训练方法参数：

{
    "epochs": 1,
    "evaluation_steps": 50000,
    "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': 128, '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})
)

引用与作者

如需引用本模型，请点击页面右上角三点图标选择"引用该模型"。