Dj

🚀 DMetaSoul/sbert-chinese-general-v2

このモデルは、bert-base-chinese バージョンの BERT モデルをベースに、百万レベルの意味類似データセット SimCLUE で訓練されています。一般的な意味マッチングシナリオに適しており、様々なタスクで汎化能力がより優れています。

注：このモデルの軽量化バージョンもすでにオープンソース化されています！

🚀 クイックスタート

✨ 主な機能

このモデルは、一般的な意味マッチングシナリオに適用でき、様々なタスクで良好な汎化能力を持っています。

📦 インストール

Sentence-Transformers を使用する場合

sentence-transformers フレームワークを使用してこのモデルを使用するには、まず以下のコマンドでインストールします。

pip install -U sentence-transformers

💻 使用例

Sentence-Transformers を使用する場合

from sentence_transformers import SentenceTransformer
sentences = ["我的儿子！他猛然间喊道，我的儿子在哪儿？", "我的儿子呢！他突然喊道，我的儿子在哪里？"]

model = SentenceTransformer('DMetaSoul/sbert-chinese-general-v2')
embeddings = model.encode(sentences)
print(embeddings)

HuggingFace Transformers を使用する場合

from transformers import AutoTokenizer, AutoModel
import torch


#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    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)


# Sentences we want sentence embeddings for
sentences = ["我的儿子！他猛然间喊道，我的儿子在哪儿？", "我的儿子呢！他突然喊道，我的儿子在哪里？"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('DMetaSoul/sbert-chinese-general-v2')
model = AutoModel.from_pretrained('DMetaSoul/sbert-chinese-general-v2')

# 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, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

📚 ドキュメント

評価

このモデルは、いくつかの公開された意味マッチングデータセットで評価され、ベクトルの類似度と真のラベルの間の相関係数が計算されました。

ここでは、このモデルと以前に公開した sbert-chinese-general-v1 との違いを比較しています。このモデルは、複数のタスクで汎化能力がより優れていることがわかります。

📄 ライセンス

E-mail: xiaowenbin@dmetasoul.com