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: mit 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MiniLMv2-L12-mnli-xnli模型

模型描述

这款多语言模型能够处理100多种语言的自然语言推理（NLI）任务，因此也适用于多语言零样本分类。其基础的多语言MiniLM-L12模型由微软开发，是从XLM-RoBERTa-large模型蒸馏而来（详见原论文及此仓库）。该模型随后在XNLI数据集上进行了微调，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。

蒸馏模型的主要优势在于它们比原始大型教师模型（如XLM-RoBERTa-large）更小（推理速度更快，内存需求更低）。缺点是性能上会有所损失。

若追求最高推理速度，推荐使用6层模型（本页模型为12层，速度较慢）。若追求更高性能，截至2023年2月14日，推荐使用mDeBERTa-v3-base-mnli-xnli。

如何使用该模型

简易零样本分类流程

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/multilingual-MiniLMv2-L12-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应用示例

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

model_name = "MoritzLaurer/multilingual-MiniLMv2-L12-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

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训练数据集上进行了训练。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包含一个由MNLI数据集机器翻译至15种语言的训练集，但由于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文本及原始英语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过度适应这15种语言；防止遗忘预训练时接触的其他语言；并显著降低训练成本。

训练过程

模型使用Hugging Face训练器进行训练，超参数如下。具体基础模型为mMiniLMv2-L12-H384-distilled-from-XLMR-Large。

training_args = TrainingArguments(
    num_train_epochs=3,              # 总训练轮数
    learning_rate=4e-05,
    per_device_train_batch_size=64,   # 训练时每设备批大小
    per_device_eval_batch_size=120,    # 评估批大小
    warmup_ratio=0.06,                # 学习率调度器的预热步数比例
    weight_decay=0.01,               # 权重衰减强度
)

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训练数据的情况下进行分类（跨语言迁移）。这意味着模型也能处理训练中接触的其他语言的NLI任务，但性能很可能低于XNLI中包含的语言。

原论文中报告的多语言MiniLM-L12的平均XNLI性能为0.711（参见表11）。此重新实现的平均性能为0.75。性能提升可能归功于训练数据中加入了MNLI，且本模型是从XLM-RoBERTa-large而非-base蒸馏而来（multilingual-MiniLM-L12-v2）。

局限性与偏差

请参考原始论文及关于不同NLI数据集的文献以了解潜在偏差。

引用

若使用此模型，请引用：Laurer, Moritz, Wouter van Atteveldt, Andreu Salleras Casas, 和 Kasper Welbers。2022年。 《减少标注，增加分类——通过深度迁移学习和BERT-NLI解决监督机器学习的数据稀缺问题》。 预印本，6月。Open Science Framework。https://osf.io/74b8k。

合作意向或问题咨询？

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