pipeline_tag: 句子相似度 license: apache-2.0 tags:

• 文本向量化
• 特征提取
• 句子相似度
• transformers datasets:
• shibing624/nli-zh-all language:
• 中文 metrics:
• 斯皮尔曼相关系数 library_name: sentence-transformers

shibing624/text2vec-base-chinese-paraphrase

这是基于CoSENT（余弦句子）模型的shibing624/text2vec-base-chinese-paraphrase。

它将句子映射到768维的密集向量空间，可用于句子嵌入、文本匹配或语义搜索等任务。

• 训练数据集：https://huggingface.co/datasets/shibing624/nli-zh-all/tree/main/text2vec-base-chinese-paraphrase-dataset
• 基础模型：nghuyong/ernie-3.0-base-zh
• 最大序列长度：256
• 最佳训练轮次：5
• 句子嵌入维度：768

评估

关于该模型的自动化评估，请参见评估基准：text2vec

发布模型

• 本项目发布模型的中文匹配评测结果：

说明：

• 结果评测指标：斯皮尔曼相关系数
• shibing624/text2vec-base-chinese模型，采用CoSENT方法训练，基于hfl/chinese-macbert-base在中文STS-B数据训练得到，并在中文STS-B测试集评估达到较好效果，运行examples/training_sup_text_matching_model.py代码可训练模型，模型文件已经上传至HF model hub，中文通用语义匹配任务推荐使用
• shibing624/text2vec-base-chinese-sentence模型，采用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh用人工挑选后的中文STS数据集shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset训练得到，并在中文各NLI测试集评估达到较好效果，运行examples/training_sup_text_matching_model_jsonl_data.py代码可训练模型，模型文件已经上传至HF model hub，中文s2s(句子vs句子)语义匹配任务推荐使用
• shibing624/text2vec-base-chinese-paraphrase模型，采用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh用人工挑选后的中文STS数据集shibing624/nli-zh-all/text2vec-base-chinese-paraphrase-dataset，数据集相对于shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset加入了s2p(句子vs段落)数据，强化了其长文本的表征能力，并在中文各NLI测试集评估达到SOTA，运行examples/training_sup_text_matching_model_jsonl_data.py代码可训练模型，模型文件已经上传至HF model hub，中文s2p(句子vs段落)语义匹配任务推荐使用
• sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2模型采用SBERT训练，是paraphrase-MiniLM-L12-v2模型的多语言版本，支持中文、英文等
• w2v-light-tencent-chinese是腾讯词向量的Word2Vec模型，CPU加载使用，适用于中文字面匹配任务和缺少数据的冷启动情况

使用方法 (text2vec)

安装text2vec后即可轻松使用该模型：

pip install -U text2vec

然后可以这样使用模型：

from text2vec import SentenceModel
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']
model = SentenceModel('shibing624/text2vec-base-chinese-paraphrase')
embeddings = model.encode(sentences)
print(embeddings)

使用方法 (HuggingFace Transformers)

如果不使用text2vec，可以这样使用模型：

首先，将输入通过transformer模型传递，然后需要在上下文词嵌入之上应用正确的池化操作。

安装transformers：

pip install transformers

然后加载模型并进行预测：

from transformers import BertTokenizer, BertModel
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)
# 从HuggingFace Hub加载模型
tokenizer = BertTokenizer.from_pretrained('shibing624/text2vec-base-chinese-paraphrase')
model = BertModel.from_pretrained('shibing624/text2vec-base-chinese-paraphrase')
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']
# 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)

使用方法 (sentence-transformers)

sentence-transformers是一个流行的用于计算句子密集向量表示的库。

安装sentence-transformers：

pip install -U sentence-transformers

然后加载模型并进行预测：

from sentence_transformers import SentenceTransformer
m = SentenceTransformer("shibing624/text2vec-base-chinese-paraphrase")
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']
sentence_embeddings = m.encode(sentences)
print("句子嵌入：")
print(sentence_embeddings)

完整模型架构

CoSENT(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: ErnieModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_mean_tokens': True})
)

预期用途

我们的模型旨在用作句子和短段落编码器。给定输入文本，它会输出一个捕获语义信息的向量。句子向量可用于信息检索、聚类或句子相似度任务。

默认情况下，超过256个词片的输入文本会被截断。

训练过程

预训练

我们使用了预训练的nghuyong/ernie-3.0-base-zh模型。 关于预训练过程的更多详细信息，请参阅模型卡片。

微调

我们使用对比目标进行微调。形式上，我们计算批次中每个可能的句子对的余弦相似度。 然后通过比较真实对和虚假对应用排名损失。

引用与作者

该模型由text2vec训练。

如果您觉得该模型有帮助，欢迎引用：

@software{text2vec,
  author = {徐明},
  title = {text2vec: 文本到向量的工具},
  year = {2023},
  url = {https://github.com/shibing624/text2vec},
}