Albert Small Kor Sbert V1

🚀 albert-small-kor-sbert-v1

このモデルはsentence-transformersを用いたもので、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利用できます。

これはalbert-small-kor-v1モデルをSentenceBERTで構築したものです。

🚀 クイックスタート

✨ 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。
• クラスタリングや意味検索などのタスクに利用可能。

📦 インストール

sentence-transformersをインストールすることで、このモデルを簡単に使用できます。

pip install -U sentence-transformers

💻 使用例

基本的な使用法

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('bongsoo/albert-small-kor-sbert-v1')
embeddings = model.encode(sentences)
print(embeddings)

高度な使用法

from transformers import AutoTokenizer, AutoModel
import torch


def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]


# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('bongsoo/albert-small-kor-sbert-v1')
model = AutoModel.from_pretrained('bongsoo/albert-small-kor-sbert-v1')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling. In this case, cls pooling.
sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

📚 ドキュメント

評価結果

• 性能測定には、以下の韓国語（kor）と英語（en）の評価コーパスを使用しました。
  • 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: https://seb.sbert.net を参照してください。

トレーニング

• albert-small-kor-v1モデルをsts(10)-distil(10)-nli(3)-sts(10)でトレーニングしました。

モデルは以下のパラメータでトレーニングされました。

共通

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

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: 32, eval_batch: 64, max_token_len: 72
• トレーニングコードはこちらを参照してください。

2. distilation

• 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: 32, eval/test_batch: 64, max_token_len: 128(教師モデルが128なので合わせる)
• トレーニングコードはこちらを参照してください。

3. NLI

• コーパス: トレーニング(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
• トレーニングコードはこちらを参照してください。

完全なモデルアーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': True}) with Transformer model: AlbertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

📄 ライセンス

著作権者: bongsoo