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mDeBERTa-v3-base-mnli-xnli模型

模型描述

该多语言模型能够对100种语言进行自然语言推理（NLI），因此也适用于多语言零样本分类。基础模型由微软在CC100多语言数据集上预训练，随后在XNLI数据集（包含15种语言的假设-前提对）及英文MNLI数据集上微调。截至2021年12月，mDeBERTa-base是性能最佳的多语言基础规模Transformer模型，由微软在此论文中提出。

如需更小、更快（但性能略低）的模型，可尝试multilingual-MiniLMv2-L6-mnli-xnli。

使用方法

简易零样本分类流程

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/mDeBERTa-v3-base-mnli-xnli")

sequence_to_classify = "安格拉·默克尔是德国政治家兼基民盟主席"
candidate_labels = ["政治", "经济", "娱乐", "环境"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

NLI应用场景

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "MoritzLaurer/mDeBERTa-v3-base-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兼基民盟主席"
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))  # device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开发集与MNLI训练集微调。XNLI开发集包含2490条从英语专业翻译至14种语言的文本（总计37350条），详见此论文。值得注意的是，虽然XNLI包含15种语言的MNLI机器翻译训练集，但为避免机器翻译质量导致的过拟合问题，本模型仅使用XNLI开发集的专业翻译文本及原始英文MNLI训练集（392702条）。此举可防止模型对15种语言的过拟合，避免遗忘mDeBERTa预训练涉及的其余85种语言，并显著降低训练成本。

训练参数

采用Hugging Face trainer进行训练，关键超参数如下：

training_args = TrainingArguments(
    num_train_epochs=2,              # 总训练轮次
    learning_rate=2e-05,
    per_device_train_batch_size=16,   # 训练时每设备批大小
    per_device_eval_batch_size=16,    # 评估批大小
    warmup_ratio=0.1,                # 学习率预热步数比例
    weight_decay=0.06,               # 权重衰减强度
)

评估结果

模型在XNLI测试集的15种语言上评估（每种语言5010条文本，总计75150条）。需注意多语言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，仍可处理mDeBERTa支持的其余85种语言，但性能可能低于XNLI涵盖语种。

若其他模型声称在非英语语种上达到约90%准确率，可能存在测试失误——最新研究显示XNLI多语言平均性能难以突破80%（参见论文1或论文2）。

局限性及偏差

潜在偏差问题请参考原始DeBERTa-V3论文及各类NLI数据集相关文献。

引用

若使用本模型，请引用：Laurer, Moritz等。《通过深度迁移学习与BERT-NLI解决监督机器学习数据稀缺问题》。2022年6月预印本。Open Science Framework. https://osf.io/74b8k.

合作或咨询

联系邮箱：m{dot}laurer{at}vu{dot}nl 或通过LinkedIn联系

调试说明

DeBERTa-v3于2021年末发布，旧版HF Transformers可能存在运行问题（如分词器错误）。建议使用Transformers>=4.13版本。当前mDeBERTa暂不支持FP16，详见：https://github.com/microsoft/DeBERTa/issues/77