许可证：apache-2.0
数据集：

• multi_nli
• pietrolesci/nli_fever
  管道标签：文本分类
  标签：
• 特征提取
• 句子相似度
• transformers
  语言：
• 英语
• 荷兰语
• 德语
• 法语
• 意大利语
• 西班牙语

句子相似度交叉编码器

本模型使用 SentenceTransformers 的 Cross-Encoder 类进行训练。

训练数据

本模型在6个不同的自然语言推理（nli）数据集上进行训练。模型将预测两个句子语义相似度的得分，范围从0（不相似）到1（非常相似）。

使用方法（CrossEncoder）

将句子数组 sentences1 中的每个句子与 sentences2 数组中对应的句子进行比较，例如比较两个数组中的第一个句子，然后比较第二个句子，依此类推。

from sentence_transformers import CrossEncoder  

model = CrossEncoder('abbasgolestani/ag-nli-DeTS-sentence-similarity-v2')  

# 两个句子列表  
sentences1 = ['我很荣幸有机会帮助公司变得更好',  
             '我热爱我的工作和在这里所做的一切',  
             '我对公司的愿景感到兴奋']  

sentences2 = ['我对公司的未来充满希望',  
              '我的工作与我的热情相符',  
              '毫无疑问，公司的愿景将成为下一个改变世界的突破，我非常高兴和自豪能在这里工作']  

pairs = zip(sentences1, sentences2)  
list_pairs = list(pairs)  

scores1 = model.predict(list_pairs, show_progress_bar=False)  
print(scores1)  

for i in range(len(sentences1)):  
    print("{} \t\t {} \t\t 得分：{:.4f}".format(sentences1[i], sentences2[i], scores1[i]))  

使用方法 #2

预训练模型可以这样使用：

from sentence_transformers import CrossEncoder  
model = CrossEncoder('abbasgolestani/ag-nli-DeTS-sentence-similarity-v2')  
scores = model.predict([('句子1', '句子2'), ('句子3', '句子4')])  

模型将为 ('句子1', '句子2') 和 ('句子3', '句子4') 这两对句子预测得分。

你也可以不使用 sentence_transformers，而仅通过 Transformers 的 AutoModel 类来使用此模型。