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: "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU" 候选标签: "政治, 经济, 娱乐, 环境"

多语言MiniLMv2-L6-mnli-xnli模型

模型描述

该多语言模型能够对100多种语言执行自然语言推理（NLI），因此也适用于多语言零样本分类。其基础的多语言MiniLM-L6模型由微软开发，通过蒸馏XLM-RoBERTa-large模型得到（详见原论文及此仓库中的最新信息）。随后，模型在XNLI数据集（包含15种语言的假设-前提对）和英语MNLI数据集上进行了微调。

蒸馏模型的主要优势在于体积更小（推理速度更快，内存需求更低），但性能上会略逊于原始大模型。对于追求极致推理速度的场景，推荐使用这个6层模型；若更注重性能，建议选用mDeBERTa-v3-base-mnli-xnli（截至2023年2月14日）。

使用方法

简易零样本分类流程

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/multilingual-MiniLMv2-L6-mnli-xnli")

sequence_to_classify = "安格拉·默克尔是德国政治家，现任基民盟主席"
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 "cpu")

model_name = "MoritzLaurer/multilingual-MiniLMv2-L6-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "安格拉·默克尔是德国政治家，现任基民盟主席"
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))  # 设备可选"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

本模型基于XNLI开发集和MNLI训练集进行训练。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）。值得注意的是，虽然XNLI包含15种语言的MNLI机器翻译训练集，但由于翻译质量问题，本模型仅使用XNLI开发集的专业翻译版本和原始英语MNLI训练集（392702条文本）。避免使用机器翻译文本可以防止模型过拟合于15种特定语言，保持预训练语言能力，并显著降低训练成本。

训练参数

采用Hugging Face训练器，关键超参数如下。基础模型为mMiniLMv2-L6-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,  # 训练批次大小
    per_device_eval_batch_size=120,  # 评估批次大小
    warmup_ratio=0.06,              # 学习率预热比例
    weight_decay=0.01,              # 权重衰减强度
)

评估结果

在15种语言的XNLI测试集（每种语言5010条，总计75150条）上评估。多语言NLI模型具备跨语言迁移能力，即使未接受特定语言的NLI训练数据也能进行分类，但性能可能低于XNLI包含的语言。

原论文报告的多语言MiniLM-L6平均XNLI性能为0.68（表11），本再实现版本达到0.713，性能提升可能源于MNLI训练数据的加入及基于XLM-RoBERTa-large的蒸馏（v2版本）。

局限性

建议参考原始论文及关于不同NLI数据集偏见的文献。

引用

若使用本模型，请引用：Laurer, Moritz等. 2022.《通过深度迁移学习和BERT-NLI解决监督机器学习数据稀缺问题》. 开放科学框架. https://osf.io/74b8k.

合作或咨询

请联系邮箱：m.laurer@vu.nl 或通过LinkedIn