🚀 relbert/roberta-large-semeval2012-v2-mask-prompt-a-nce

RelBERT 是在 roberta-large 基础上进行微调得到的模型，微调数据集为 relbert/semeval2012_relational_similarity_v2。微调过程借助 RelBERT 库完成（更多细节可查看该仓库）。该模型在关系理解任务上取得了以下成果：

🚀 快速开始

本模型可通过 relbert 库 使用。首先，通过 pip 安装该库：

pip install relbert

然后，按如下方式激活模型：

from relbert import RelBERT
model = RelBERT("relbert/roberta-large-semeval2012-v2-mask-prompt-a-nce")
vector = model.get_embedding(['Tokyo', 'Japan'])  # shape of (1024, )

✨ 主要特性

RelBERT 基于 roberta-large 进行微调，在多个关系理解任务上表现出色，能够有效处理类比问题、词汇关系分类和关系映射等任务。

📦 安装指南

通过 pip 安装 relbert 库：

pip install relbert

💻 使用示例

基础用法

from relbert import RelBERT
model = RelBERT("relbert/roberta-large-semeval2012-v2-mask-prompt-a-nce")
vector = model.get_embedding(['Tokyo', 'Japan'])  # shape of (1024, )

📚 详细文档

评估结果

训练超参数

以下是训练过程中使用的超参数：

完整配置可在 微调参数文件 中查看。

🔧 技术细节

RelBERT 基于 roberta-large 模型，通过微调在 relbert/semeval2012_relational_similarity_v2 数据集上进行训练。微调过程使用了特定的模板和损失函数，通过调整超参数优化模型性能。

📄 许可证

若使用 RelBERT 的任何资源，请考虑引用我们的 论文。

@inproceedings{ushio-etal-2021-distilling-relation-embeddings,
    title = "{D}istilling {R}elation {E}mbeddings from {P}re-trained {L}anguage {M}odels",
    author = "Ushio, Asahi  and
      Schockaert, Steven  and
      Camacho-Collados, Jose",
    booktitle = "EMNLP 2021",
    year = "2021",
    address = "Online",
    publisher = "Association for Computational Linguistics",
}