pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度
• 转换器 license: mit datasets:
• stsb_multi_mt
• unicamp-dl/mmarco language:
• 意大利语 library_name: sentence-transformers

{多语句-BERTino}

这是一个sentence-transformers模型：它能将句子和段落映射到768维的密集向量空间，可用于聚类或语义搜索等任务。

该模型基于indigo-ai/BERTino训练，使用了意大利语的mmarco（20万条）和stsb数据集。

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用此模型：

pip install -U sentence-transformers

然后可以像这样使用模型：

from sentence_transformers import SentenceTransformer
sentences = ["一个女孩正在整理头发。", "一个女孩正在梳头发。"]

model = SentenceTransformer('nickprock/multi-sentence-BERTino')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（FastEmbed）

安装FastEmbed后即可轻松使用此模型：

pip install fastembed

然后可以像这样使用模型：

from fastembed import TextEmbedding
from fastembed.common.model_description import PoolingType, ModelSource

sentences = ["一个女孩正在整理头发。", "一个女孩正在梳头发。"]

TextEmbedding.add_custom_model(
    model="nickprock/multi-sentence-BERTino",
    pooling=PoolingType.MEAN,
    normalization=True,
    sources=ModelSource(hf="nickprock/multi-sentence-BERTino"),  # 可以使用`url`从私有存储加载文件
    dim=768,
    model_file="onnx/model_qint8_avx512_vnni.onnx",  # 可用于加载已支持但经过其他优化或量化的模型，例如onnx/model_O4.onnx
)

model = TextEmbedding(model_name="nickprock/multi-sentence-BERTino")
embeddings = list(model.embed(sentences))
print(embeddings)

使用方法（HuggingFace Transformers）

如果没有安装sentence-transformers，可以这样使用模型：首先将输入传递给转换器模型，然后需要在上下文化的词嵌入之上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch

# 均值池化 - 考虑注意力掩码以正确平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # 模型输出的第一个元素包含所有词嵌入
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

# 需要获取句子嵌入的句子
sentences = ['一个女孩正在整理头发。', '一个女孩正在梳头发。']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('nickprock/multi-sentence-BERTino')
model = AutoModel.from_pretrained('nickprock/multi-sentence-BERTino')

# 对句子进行分词
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算词嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 执行池化。这里使用均值池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("句子嵌入：")
print(sentence_embeddings)

评估结果

关于此模型的自动化评估，请参见句子嵌入基准：https://seb.sbert.net

训练

模型训练参数如下：

数据加载器：

torch.utils.data.dataloader.DataLoader，长度31250，参数：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数：

sentence_transformers.losses.TripletLoss.TripletLoss，参数：

{'distance_metric': 'TripletDistanceMetric.EUCLIDEAN', 'triplet_margin': 5}

数据加载器：

torch.utils.data.dataloader.DataLoader，长度360，参数：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数：

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

数据加载器：

torch.utils.data.dataloader.DataLoader，长度31250，参数：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数：

sentence_transformers.losses.CachedMultipleNegativesRankingLoss.CachedMultipleNegativesRankingLoss，参数：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

fit()方法的参数：

{
    "epochs": 10,
    "evaluation_steps": 500,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": 1500,
    "warmup_steps": 360,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: DistilBertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False})
)

引用与作者