Kpf Sbert V1.1

🚀 kpf-sbert-v1.1

このモデルはsentence-transformersをベースにしており、文章や段落を768次元の密ベクトル空間にマッピングし、クラスタリングや意味検索などのタスクに使用できます。jinmang2/kpfbertモデルをsentencebertでファインチューニングしたもので、(kpf-sbert-v1からNLI - STSの訓練を1回追加しています)。

🚀 クイックスタート

このモデルは文章の類似度を測定するために使用できます。具体的な使用方法については、以下の評価結果や訓練のセクションを参照してください。

✨ 主な機能

• 文章や段落を768次元の密ベクトル空間にマッピングすることができます。
• クラスタリングや意味検索などのタスクに利用可能です。

📚 ドキュメント

🔍 評価結果

• 性能測定に使用したコーパスは、以下の韓国語(kor)と英語(en)の評価コーパスです。
  • 韓国語 : korsts(1,379ペアの文章) と klue - sts(519ペアの文章)
  • 英語 : stsb_multi_mt(1,376ペアの文章) と glue:stsb (1,500ペアの文章)
• 性能指標は cosin.spearman です。
• 評価測定コードはこちらを参照してください。

このモデルの自動評価については、Sentence Embeddings Benchmark を参照してください: https://seb.sbert.net

🔧 訓練

• jinmang2/kpfbert モデルを sts(10) - distil(10) - nli(3) - sts(10) - nli(3) - sts(10) で訓練しました。

このモデルは以下のパラメータで訓練されました。

共通

• do_lower_case = 1, correct_bios = 0, polling_mode = mean

1.STS

• コーパス : korsts(5,749) + kluestsV1.1(11,668) + stsb_multi_mt(5,749) + mteb/sickr - sts(9,927) + glue stsb(5,749) (合計:38,842)
• パラメータ : lr: 1e - 4, eps: 1e - 6, warm_step = 10%, epochs: 10, train_batch: 128, eval_batch: 64, max_token_len: 72
• 訓練コードは[こちら](https://github.com/kobongsoo/BERT/blob/master/sbert/sentece - bert - sts.ipynb)を参照してください。

2.蒸留

• 教師モデル : paraphrase - multilingual - mpnet - base - v2(max_token_len:128)
• コーパス : news_talk_en_ko_train.tsv (英語 - 韓国語の会話 - ニュースの並列コーパス : 1.38M)
• パラメータ : lr: 5e - 5, eps: 1e - 8, epochs: 10, train_batch: 128, eval/test_batch: 64, max_token_len: 128(教師モデルが128なので合わせました)
• 訓練コードは[こちら](https://github.com/kobongsoo/BERT/blob/master/sbert/sbert - distillaton.ipynb)を参照してください。

3.NLI

• コーパス : 訓練(967,852) : kornli(550,152), kluenli(24,998), glue - mnli(392,702) / 評価(3,519) : korsts(1,500), kluests(519), gluests(1,500)
• ハイパーパラメータ : lr: 3e - 5, eps: 1e - 8, warm_step = 10%, epochs: 3, train/eval_batch: 64, max_token_len: 128
• 訓練コードは[こちら](https://github.com/kobongsoo/BERT/blob/master/sbert/sentence - bert - nli.ipynb)を参照してください。

📄 著作権表示と著者

bongsoo