license: apache-2.0

DiffCSE：基于差异的句子嵌入对比学习

arXiv链接：https://arxiv.org/abs/2204.10298
即将发表于NAACL 2022

作者： Yung-Sung Chuang, Rumen Dangovski, Hongyin Luo, Yang Zhang, Shiyu Chang, Marin Soljačić, Shang-Wen Li, Scott Wen-tau Yih, Yoon Kim, James Glass

我们的代码主要基于SimCSE的代码。更多详细信息请参考他们的代码库。

概述

我们提出了DiffCSE，一种用于学习句子嵌入的无监督对比学习框架。DiffCSE学习对原始句子和编辑后句子之间差异敏感的句子嵌入，其中编辑后的句子是通过随机掩码原始句子然后从掩码语言模型中采样得到的。我们展示了DiffSCE是等变对比学习的一个实例(Dangovski et al., 2021)，它推广了对比学习并学习对某些类型的增强不敏感而对其他“有害”类型的增强敏感的表示。我们的实验表明，DiffCSE在无监督句子表示学习方法中取得了最先进的结果，在语义文本相似性任务上比无监督SimCSE高出2.3个绝对点。

设置

要求

• Python 3.9.5

安装我们定制的Transformers包

cd transformers-4.2.1
pip install .

如果您已经通过pip安装了transformers==4.2.1，您需要将modeling_bert.py放入<your_python_env>/site-packages/transformers/models/bert/modeling_bert.py，并将modeling_roberta.py放入<your_python_env>/site-packages/transformers/models/bert/modeling_roberta.py。 我们修改了包中的这两个文件，以便我们可以使用BERT/RoBERTa执行_条件_预训练任务。如果可能，请直接pip安装我们定制的Transformers包。

安装其他包

pip install -r requirements.txt

下载预训练数据集

cd data
bash download_wiki.sh

下载下游数据集

cd SentEval/data/downstream/
bash download_dataset.sh

训练

(与run_diffcse.sh相同。)

python train.py \
    --model_name_or_path bert-base-uncased \
    --generator_name distilbert-base-uncased \
    --train_file data/wiki1m_for_simcse.txt \
    --output_dir <your_output_model_dir> \
    --num_train_epochs 2 \
    --per_device_train_batch_size 64 \
    --learning_rate 7e-6 \
    --max_seq_length 32 \
    --evaluation_strategy steps \
    --metric_for_best_model stsb_spearman \
    --load_best_model_at_end \
    --eval_steps 125 \
    --pooler_type cls \
    --mlp_only_train \
    --overwrite_output_dir \
    --logging_first_step \
    --logging_dir <your_logging_dir> \
    --temp 0.05 \
    --do_train \
    --do_eval \
    --batchnorm \
    --lambda_weight 0.005 \
    --fp16 --masking_ratio 0.30

我们的新参数：

• --lambda_weight：我们论文第3节中提到的lambda系数。
• --masking_ratio：MLM生成器随机替换令牌的掩码比率。
• --generator_name：生成器的模型名称。对于bert-base-uncased，我们使用distilbert-base-uncased。对于roberta-base，我们使用distilroberta-base。

来自SimCSE的参数：

• --train_file：训练文件路径(data/wiki1m_for_simcse.txt)。
• --model_name_or_path：预训练检查点，如基于BERT的模型(bert-base-uncased，bert-large-uncased等)和基于RoBERTa的模型(RoBERTa-base，RoBERTa-large)。
• --temp：对比损失的温度。我们总是使用0.05。
• --pooler_type：池化方法。
• --mlp_only_train：对于无监督SimCSE或DiffCSE，训练带有MLP层的模型但测试时不使用它效果更好。在训练无监督SimCSE/DiffCSE模型时应使用此参数。

我们论文中的结果是使用NVidia 2080Ti GPU和CUDA 11.2获得的。使用不同类型的设备或不同版本的CUDA/Python/PyTorch可能会导致性能略有不同。

评估

我们提供了一个简单的colab笔记本，可以轻松重现我们的结果。我们也可以运行以下命令进行评估：

python evaluation.py \
    --model_name_or_path <your_output_model_dir> \
    --pooler cls_before_pooler \
    --task_set <sts|transfer|full> \
    --mode test

要评估我们预训练的DiffCSE检查点，我们可以使用以下脚本：

BERT

STS

python evaluation.py \
    --model_name_or_path voidism/diffcse-bert-base-uncased-sts \
    --pooler cls_before_pooler \
    --task_set sts \
    --mode test

迁移任务

python evaluation.py \
    --model_name_or_path voidism/diffcse-bert-base-uncased-trans \
    --pooler cls_before_pooler \
    --task_set transfer \
    --mode test

RoBERTa

STS

python evaluation.py \
    --model_name_or_path voidism/diffcse-roberta-base-sts \
    --pooler cls_before_pooler \
    --task_set sts \
    --mode test

迁移任务

python evaluation.py \
    --model_name_or_path voidism/diffcse-roberta-base-trans \
    --pooler cls_before_pooler \
    --task_set transfer \
    --mode test

更多详细信息，请查看SimCSE的GitHub仓库。

预训练模型

• DiffCSE-BERT-base (STS): https://huggingface.co/voidism/diffcse-bert-base-uncased-sts
• DiffCSE-BERT-base (迁移任务): https://huggingface.co/voidism/diffcse-bert-base-uncased-trans
• DiffCSE-RoBERTa-base (STS): https://huggingface.co/voidism/diffcse-roberta-base-sts
• DiffCSE-RoBERTa-base (迁移任务): https://huggingface.co/voidism/diffcse-roberta-base-trans

我们可以使用SimCSE提供的API加载模型。 更多信息请参见入门指南。

from diffcse import DiffCSE
model_bert_sts = DiffCSE("voidism/diffcse-bert-base-uncased-sts")
model_bert_trans = DiffCSE("voidism/diffcse-bert-base-uncased-trans")
model_roberta_sts = DiffCSE("voidism/diffcse-roberta-base-sts")
model_roberta_trans = DiffCSE("voidism/diffcse-roberta-base-trans")

引用

如果它们对您的工作有帮助，请引用我们的论文和SimCSE论文！

@inproceedings{chuang2022diffcse,
   title={{DiffCSE}: Difference-based Contrastive Learning for Sentence Embeddings},
   author={Chuang, Yung-Sung and Dangovski, Rumen and Luo, Hongyin and Zhang, Yang and Chang, Shiyu and Soljacic, Marin and Li, Shang-Wen and Yih, Wen-tau and Kim, Yoon and Glass, James},
   booktitle={Annual Conference of the North American Chapter of the Association for Computational Linguistics (NAACL)},
   year={2022}
}

@inproceedings{gao2021simcse,
   title={{SimCSE}: Simple Contrastive Learning of Sentence Embeddings},
   author={Gao, Tianyu and Yao, Xingcheng and Chen, Danqi},
   booktitle={Empirical Methods in Natural Language Processing (EMNLP)},
   year={2021}
}