语言:

• 多语言
• 英语
• 阿拉伯语
• 保加利亚语
• 德语
• 希腊语
• 西班牙语
• 法语
• 印地语
• 俄语
• 斯瓦希里语
• 泰语
• 土耳其语
• 乌尔都语
• 越南语
• 中文

许可证: apache-2.0 标签:

• 零样本分类
• 文本分类
• 自然语言推理
• PyTorch 评估指标:
• 准确率 数据集:
• 多语种自然语言推理数据集
• 跨语言自然语言推理数据集 任务标签: 零样本分类 示例:
• 文本: "安格拉·默克尔是德国的一位政治家，也是基民盟的主席" 候选标签: "政治, 经济, 娱乐, 环境"

多语言Ernie-M大型MNLI-XNLI模型

模型描述

这款多语言模型能够对100种语言进行自然语言推理（NLI），因此也适用于多语言零样本分类。基础模型由百度基于Meta的RoBERTa（在CC100多语言数据集上预训练）进行预训练。随后在XNLI数据集上进行微调，该数据集包含15种语言的假设-前提对，以及英语的MNLI数据集。该模型由百度在这篇论文中提出，性能优于同等规模的RoBERTa模型。

如果您需要速度更快（但性能稍逊）的模型，可以尝试multilingual-MiniLMv2-L6-mnli-xnli。如果您需要兼顾性能和速度的基础尺寸模型，可以尝试mDeBERTa-v3-base-mnli-xnli。

如何使用该模型

简单的零样本分类流程

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/ernie-m-large-mnli-xnli")

sequence_to_classify = "安格拉·默克尔是德国的一位政治家，也是基民盟的主席"
candidate_labels = ["政治", "经济", "娱乐", "环境"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

NLI用例

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "MoritzLaurer/ernie-m-large-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name).to(device)

premise = "安格拉·默克尔是德国的一位政治家，也是基民盟的主席"
hypothesis = "埃马纽埃尔·马克龙是法国总统"

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))  # device = "cuda:0" 或 "cpu"
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["蕴含", "中立", "矛盾"]
prediction = {name: round(float(pred) * 100, 1) for pred, name in zip(prediction, label_names)}
print(prediction)

训练数据

该模型在XNLI开发数据集和MNLI训练数据集上进行训练。XNLI开发集包含2490条从英语专业翻译至14种其他语言的文本（总计37350条文本）（参见此论文）。需要注意的是，XNLI包含15种语言的MNLI数据集的机器翻译训练集，但由于这些机器翻译的质量问题，本模型仅基于XNLI开发集中的专业翻译和原始英语MNLI训练集（392702条文本）进行训练。不使用机器翻译文本可以避免模型对15种语言的过拟合；避免遗忘Ernie-M预训练的其他85种语言；并显著降低训练成本。

训练过程

ernie-m-large-mnli-xnli使用Hugging Face训练器，采用以下超参数进行训练：

training_args = TrainingArguments(
    num_train_epochs=3,              # 训练总轮数
    learning_rate=3e-05,
    per_device_train_batch_size=16,   # 训练时每设备批次大小
    gradient_accumulation_steps=2,
    per_device_eval_batch_size=16,    # 评估批次大小
    warmup_ratio=0.1,                # 学习率预热步数比例
    weight_decay=0.01,               # 权重衰减强度
    fp16=True,
)

评估结果

模型在XNLI测试集的15种语言上进行了评估（每种语言5010条文本，总计75150条）。需要注意的是，多语言NLI模型能够在未接受特定语言NLI训练数据的情况下对NLI文本进行分类（跨语言迁移）。这意味着该模型也能对Ernie-M预训练的其余85种语言进行NLI，但性能很可能低于XNLI中包含的语言。

同时请注意，如果模型中心的其他多语言模型声称在英语以外的语言上达到约90%的性能，作者可能在测试过程中出现了错误，因为最新论文显示XNLI上的多语言平均性能仅略高于80%（参见此处或此处）。

局限性与偏差

请参考原始Ernie-M论文及关于不同NLI数据集的文献以了解潜在偏差。

引用

如果您使用此模型，请引用：Laurer, Moritz, Wouter van Atteveldt, Andreu Salleras Casas, and Kasper Welbers. 2022. ‘Less Annotating, More Classifying – Addressing the Data Scarcity Issue of Supervised Machine Learning with Deep Transfer Learning and BERT - NLI’. 预印本, 六月. Open Science Framework. https://osf.io/74b8k.

合作意向或问题？

如有问题或合作意向，请联系m{dot}laurer{at}vu{dot}nl或访问LinkedIn

调试与问题

Ernie-M架构仅支持transformers==4.27或更高版本（截至2023年3月3日尚未发布，导致推理小部件报错）。在4.27版本发布前运行模型，需通过pip install git+https://github.com/huggingface/transformers安装transformers源码，并通过pip install sentencepiece安装sentencepiece分词器。发布后，可运行pip install transformers[sentencepiece]>=4.27。