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:
• multi_nli
• xnli 管道标签: 零样本分类 小部件示例:
• 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-base-mnli-xnli模型

模型描述

这款多语言模型能在100种语言上执行自然语言推理(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（包含15种语言的假设-前提对）和英文MNLI数据集上微调。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。

如需速度更快（但性能稍逊）的模型，可尝试multilingual-MiniLMv2-L6-mnli-xnli。在同等规模模型中，mDeBERTa-v3-base-mnli-xnli在XNLI基准测试中表现更优。若追求更高性能，可尝试速度较慢的ernie-m-large-mnli-xnli。

使用方法

简易零样本分类流程

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/ernie-m-base-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应用场景

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-base-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

本模型在XNLI开发集和MNLI训练集上训练。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）（参见该论文）。注意：XNLI包含15种语言的MNLI数据集机器翻译版本，但由于翻译质量问题，本模型仅使用XNLI开发集中的专业翻译文本和原始英文MNLI训练集（392702条文本）。避免使用机器翻译文本可防止模型过拟合15种语言、防止遗忘ernie-m预训练的其他85种语言，并显著降低训练成本。

训练参数

使用Hugging Face训练器，超参数如下：

training_args = TrainingArguments(
    num_train_epochs=3,              # 总训练轮次
    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

在XNLI测试集（15种语言，每种5010条文本，总计75150条）上评估。注意：多语言NLI模型无需特定语言的NLI训练数据即可分类（跨语言迁移），意味着模型也能处理ernie-m预训练的其余85种语言，但性能可能低于XNLI包含的语言。

若其他多语言模型声称在非英语语言上达到约90%准确率，作者可能在测试时存在错误，因最新研究显示XNLI多语言平均性能仅略高于80%（参见此处或此处）。

局限与偏差

请参考原始ernie-m论文及不同NLI数据集文献了解潜在偏差。

引用

若使用本模型，请引用：Laurer, Moritz等。《Less Annotating, More Classifying – Addressing the Data Scarcity Issue of Supervised Machine Learning with Deep Transfer Learning and BERT - NLI》。2022年6月预印本。Open Science Framework。https://osf.io/74b8k。

合作或问题咨询

如有疑问或合作意向，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，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。发布后可通过pip install transformers[sentencepiece]>=4.27安装。