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
• 语义搜索
• 中文

DMetaSoul/sbert-chinese-general-v2

该模型基于bert-base-chinese版本的BERT模型，在百万级语义相似数据集SimCLUE上训练而成，专为通用语义匹配场景设计。从实际效果来看，该模型在各类任务中展现出更强的泛化能力。

注：此模型的轻量化版本现已同步开源！

使用说明

1. Sentence-Transformers

通过sentence-transformers框架使用本模型，请先执行安装：

pip install -U sentence-transformers

随后通过以下代码加载模型并提取文本嵌入向量：

from sentence_transformers import SentenceTransformer
sentences = ["我的儿子！他猛然间喊道，我的儿子在哪儿？", "我的儿子呢！他突然喊道，我的儿子在哪里？"]

model = SentenceTransformer('DMetaSoul/sbert-chinese-general-v2')
embeddings = model.encode(sentences)
print(embeddings)

2. HuggingFace Transformers

若不使用sentence-transformers框架，也可通过HuggingFace Transformers加载模型：

from transformers import AutoTokenizer, AutoModel
import torch

#均值池化处理 - 考虑注意力掩码以实现精准平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #模型输出的首个元素包含所有标记嵌入
    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)

#待编码语句示例
sentences = ["我的儿子！他猛然间喊道，我的儿子在哪儿？", "我的儿子呢！他突然喊道，我的儿子在哪里？"]

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('DMetaSoul/sbert-chinese-general-v2')
model = AutoModel.from_pretrained('DMetaSoul/sbert-chinese-general-v2')

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

#计算标记嵌入
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("语句嵌入向量：")
print(sentence_embeddings)

评估表现

模型在多个公开语义匹配数据集上进行了评测，计算了向量相似度与真实标签的相关系数：

本表格对比了当前模型与先前发布的sbert-chinese-general-v1性能差异，可见新版模型在多数任务中具有更优的泛化表现。

引用与作者

联系邮箱：xiaowenbin@dmetasoul.com