语言:

• 英语 任务标签:
• 句子相似度 标签:
• 句子转换模型
• 特征提取
• 句子相似度
• 转换器 数据集:
• ANLI
• MNLI
• SNLI

sbert-roberta-large-anli-mnli-snli

这是一个基于sentence-transformers的模型：它能将句子和段落映射到一个768维的密集向量空间，可用于聚类或语义搜索等任务。

该模型以RoBERTa-large为权重初始化，并在ANLI（Nie等人，2020）、MNLI（Williams等人，2018）和SNLI（Bowman等人，2015）数据集上，使用training_nli.py示例脚本进行训练。

训练详情：

• 学习率：2e-5
• 批量大小：8
• 池化方式：均值
• 训练时间：约20小时，使用一块NVIDIA GeForce RTX 2080 Ti

使用方法（Sentence-Transformers）

安装sentence-transformers后，使用此模型非常简单：

pip install -U sentence-transformers

然后可以这样使用模型：

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("usc-isi/sbert-roberta-large-anli-mnli-snli")
embeddings = model.encode(sentences)
print(embeddings)

使用方法（Hugging Face Transformers）

如果不使用sentence-transformers，可以这样使用模型：首先将输入传递给转换器模型，然后对上下文化的词嵌入应用适当的池化操作。

import torch
from transformers import AutoModel, AutoTokenizer


# 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
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("usc-isi/sbert-roberta-large-anli-mnli-snli")
model = AutoModel.from_pretrained("usc-isi/sbert-roberta-large-anli-mnli-snli")

# 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)

评估结果

评估结果请参见我们论文的第4.1节。

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

有关该项目的更多信息，请参阅我们的论文：

Ciosici, Manuel, 等. "Machine-Assisted Script Curation." Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies: Demonstrations, Association for Computational Linguistics, 2021, pp. 8–17. ACLWeb, https://www.aclweb.org/anthology/2021.naacl-demos.2.

参考文献

• Samuel R. Bowman, Gabor Angeli, Christopher Potts, and Christopher D. Manning. 2015. A large annotated corpus for learning natural language inference. In Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing, pages 632–642, Lisbon, Portugal. Association for Computational Linguistics.
• Yixin Nie, Adina Williams, Emily Dinan, Mohit Bansal, Jason Weston, and Douwe Kiela. 2020. AdversarialNLI: A new benchmark for natural language understanding. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, pages 4885–4901, Online. Association for Computational Linguistics.
• Adina Williams, Nikita Nangia, and Samuel Bowman. 2018. A broad-coverage challenge corpus for sentence understanding through inference. In Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long Papers), pages 1112–1122, New Orleans, Louisiana. Association for Computational Linguistics.