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 datasets:
• klue language:
• 韩语 license: cc-by-4.0

bespin-global/klue-sroberta-base-continue-learning-by-mnr

该模型基于KLUE/NLI和KLUE/STS数据集，采用sentence-transformers官方文档中介绍的继续学习方法，通过以下步骤训练完成：

1. 使用NLI数据集进行负采样后，采用MultipleNegativeRankingLoss进行第一阶段NLI训练
2. 在已完成第一阶段训练的模型基础上，使用STS数据集通过CosineSimilarityLoss进行第二阶段STS训练

详细训练过程请参考博客文章和Colab实践代码。

这是sentence-transformers模型：可将句子和段落映射到768维稠密向量空间，适用于聚类或语义搜索等任务。

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("bespin-global/klue-sroberta-base-continue-learning-by-mnr")
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：首先将输入传递给转换器模型，然后对上下文词嵌入执行正确的池化操作。

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("bespin-global/klue-sroberta-base-continue-learning-by-mnr")
model = AutoModel.from_pretrained("bespin-global/klue-sroberta-base-continue-learning-by-mnr")

#句子分词
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)

评估结果

在sts-test数据集上的EmbeddingSimilarityEvaluator评估结果：

• 余弦相似度：
  • 皮尔逊系数: 0.8901 斯皮尔曼系数: 0.8893
• 曼哈顿距离：
  • 皮尔逊系数: 0.8867 斯皮尔曼系数: 0.8818
• 欧氏距离：
  • 皮尔逊系数: 0.8875 斯皮尔曼系数: 0.8827
• 点积相似度：
  • 皮尔逊系数: 0.8786 斯皮尔曼系数: 0.8735
• 平均得分: 0.8892573547643868

训练参数

数据加载器： 长度329的torch.utils.data.dataloader.DataLoader，参数为：

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

损失函数： sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit()方法参数：

{
    "epochs": 4,
    "evaluation_steps": 32,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 132,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) 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

Bespin Global的JaeHyeong AN