语言:

• tr 管道标签: 句子相似度 标签:
• 句子转换器
• 特征提取
• 句子相似度
• 转换器 数据集:
• nli_tr
• emrecan/stsb-mt-turkish 许可证: mit 库名称: sentence-transformers 基础模型: ytu-ce-cosmos/turkish-mini-bert-uncased

turkish-mini-bert-uncased-mean-nli-stsb-tr

这是一个sentence-transformers模型：它将句子和段落映射到一个256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ytu-ce-cosmos/turkish-mini-bert-uncased调整，并在以下数据集上进行了微调：

• nli_tr
• emrecan/stsb-mt-turkish

⚠️ 所有文本均已手动转换为小写，如模型作者所述:

text.replace("I", "ı").lower()

使用方法 (Sentence-Transformers)

安装sentence-transformers后，使用此模型变得非常简单：

pip install -U sentence-transformers

然后可以像这样使用模型：

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-mini-bert-uncased-mean-nli-stsb-tr')
embeddings = model.encode(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，然后必须在上下文化的词嵌入上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch


# 平均池化 - 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 = ["这是一个示例句子", "每个句子都会被转换"]

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

# 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。这里使用平均池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

在STS-b测试集上取得的结果如下：

余弦相似度:	    Pearson: 0.8117	Spearman: 0.8074
曼哈顿距离:	    Pearson: 0.8029	Spearman: 0.7972
欧几里得距离:	    Pearson: 0.8028	Spearman: 0.7977
点积相似度:	    Pearson: 0.7563	Spearman: 0.7435

训练

模型训练时使用的参数：

数据加载器:

torch.utils.data.dataloader.DataLoader，长度为45，参数如下：

{'batch_size': 128, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数:

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit()方法的参数：

{
    "epochs": 10,
    "evaluation_steps": 4,
    "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": null,
    "warmup_steps": 45,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 256, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用与作者