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
• 越南语

{越南语-sbert模型}

这是一个基于sentence-transformers的模型：能够将越南语句子与段落映射至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库）

安装sentence-transformers后即可便捷使用：

pip install -U sentence-transformers

调用示例：

from sentence_transformers import SentenceTransformer
sentences = ["女老师正在吃冰淇淋", "姐姐正在品尝山羊肉"]

model = SentenceTransformer('keepitreal/vietnamese-sbert')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers库）

若不使用sentence-transformers库，可通过以下方式调用：

from transformers import AutoTokenizer, AutoModel
import torch

# 均值池化处理（考虑注意力掩码）
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # 模型输出的首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)

# 待编码句子
sentences = ['女老师正在吃冰淇淋', '姐姐正在品尝山羊肉']

# 加载预训练模型
tokenizer = AutoTokenizer.from_pretrained('keepitreal/vietnamese-sbert')
model = AutoModel.from_pretrained('keepitreal/vietnamese-sbert')

# 标记化处理
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 生成标记嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 执行均值池化
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

本模型的自动化评估结果可参考句子嵌入基准测试：https://seb.sbert.net

训练参数

数据加载器： 长度360的torch.utils.data.dataloader.DataLoader，参数配置：

{'batch_size': 16, 'sampler': '随机采样器', 'batch_sampler': '批采样器'}

损失函数： sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

训练方法参数：

{
    "训练轮次": 4,
    "评估间隔": 1000步,
    "评估器": "嵌入相似度评估器",
    "最大梯度范数": 1,
    "优化器": "AdamW",
    "学习率": 2e-05,
    "调度器": "线性预热",
    "预热步数": 144,
    "权重衰减": 0.01
}

模型架构

SentenceTransformer(
  (0): Transformer({'最大序列长度': 256, '小写转换': False}) with Transformer model: RobertaModel 
  (1): Pooling({
    '词嵌入维度': 768, 
    'CLS标记池化模式': False, 
    '均值标记池化模式': True, 
    '最大标记池化模式': False, 
    '平方根长度均值池化模式': False
  })
)

引用与作者