language:

• tr pipeline_tag: sentence-similarity tags:
• sentence-transformers
• feature-extraction
• sentence-similarity
• transformers datasets:
• nli_tr
• emrecan/stsb-mt-turkish license: mit library_name: sentence-transformers base_model: ytu-ce-cosmos/turkish-base-bert-uncased

土耳其语基础BERT无大写均值NLI-STSB模型

这是一个sentence-transformers模型：它能将句子和段落映射到768维稠密向量空间，适用于聚类或语义搜索等任务。

本模型基于ytu-ce-cosmos/turkish-base-bert-uncased微调，训练数据集包括：

• nli_tr
• emrecan/stsb-mt-turkish

⚠️ 所有文本需手动转为小写，如模型作者所述：

text.replace("I", "ı").lower()

使用方式（Sentence-Transformers）

安装sentence-transformers后即可使用：

pip install -U sentence-transformers

调用示例：

from sentence_transformers import SentenceTransformer
sentences = ["这是一个示例句子", "每个句子都会被转换"]

model = SentenceTransformer('atasoglu/turkish-base-bert-uncased-mean-nli-stsb-tr')
embeddings = model.encode(sentences)
print(embeddings)

使用方式（HuggingFace Transformers）

若不使用sentence-transformers库，可按以下方式操作：

from transformers import AutoTokenizer, AutoModel
import torch

# 均值池化处理
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # 获取所有token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)

# 待编码句子
sentences = ["这是一个示例句子", "每个句子都会被转换"]

# 加载模型
tokenizer = AutoTokenizer.from_pretrained('atasoglu/turkish-base-bert-uncased-mean-nli-stsb-tr')
model = AutoModel.from_pretrained('atasoglu/turkish-base-bert-uncased-mean-nli-stsb-tr')

# 分词处理
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

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

# 执行均值池化
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

在STS-b测试集上的表现：

余弦相似度:      Pearson: 0.8401  Spearman: 0.8410
曼哈顿距离:      Pearson: 0.8256  Spearman: 0.8261
欧氏距离:        Pearson: 0.8261  Spearman: 0.8268
点积相似度:      Pearson: 0.7823  Spearman: 0.7723

训练参数

数据加载器： 长度90的torch.utils.data.dataloader.DataLoader，参数为：

{'batch_size': 64, 'sampler': '随机采样器', 'batch_sampler': '批采样器'}

损失函数： sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

训练方法参数：

{
    "epochs": 4,
    "评估步数": 9,
    "评估器": "嵌入相似度评估器",
    "最大梯度范数": 1,
    "优化器": "AdamW",
    "学习率": 2e-05,
    "调度器": "线性预热",
    "预热步数": 36,
    "权重衰减": 0.01
}

模型架构

SentenceTransformer(
  (0): Transformer({'最大序列长度': 256, '小写转换': False}) with BertModel 
  (1): Pooling({
    '词嵌入维度': 768, 
    'CLS标记池化': False, 
    '均值标记池化': True, 
    '最大标记池化': False
  })
)