Moco Sentencebertv2.0

🚀 moco-sentencebertV2.0

このモデルは sentence-transformers をベースに構築されており、文章や段落を768次元の密ベクトル空間にマッピングします。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。

• このモデルは bongsoo/mbertV2.0 MLM モデルを sentencebert 化した後、さらに STS Teacher-student 蒸留学習を行って作成されたモデルです。
• 語彙数: 152,537 個（元の 119,548 語彙に 32,989 個の新しい語彙を追加）

🚀 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。
• 한국語と英語の文章に対応。

📦 インストール

sentence-transformers をインストールすると、このモデルの使用が簡単になります。

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/moco-sentencebertV2.0')
embeddings = model.encode(sentences)
print(embeddings)

# sklearn を利用して cosine_scores を計算
# => 入力値 embeddings は (1,768) のような 2D である必要があります。
from sklearn.metrics.pairwise import paired_cosine_distances, paired_euclidean_distances, paired_manhattan_distances
cosine_scores = 1 - (paired_cosine_distances(embeddings[0].reshape(1,-1), embeddings[1].reshape(1,-1)))

print(f'*cosine_score:{cosine_scores[0]}')

高度な使用法

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - 正しい平均化のためにアテンションマスクを考慮する
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # モデル出力の最初の要素にすべてのトークン埋め込みが含まれる
    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)

# 文章埋め込みを取得したい文章
sentences = ['This is an example sentence', 'Each sentence is converted']

# HuggingFace Hub からモデルをロード
tokenizer = AutoTokenizer.from_pretrained('bongsoo/moco-sentencebertV2.0')
model = AutoModel.from_pretrained('bongsoo/moco-sentencebertV2.0')

# 文章をトークン化
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# トークン埋め込みを計算
with torch.no_grad():
    model_output = model(**encoded_input)

# プーリングを実行。この場合は平均プーリング。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

# sklearn を利用して cosine_scores を計算
# => 入力値 embeddings は (1,768) のような 2D である必要があります。
from sklearn.metrics.pairwise import paired_cosine_distances, paired_euclidean_distances, paired_manhattan_distances
cosine_scores = 1 - (paired_cosine_distances(sentence_embeddings[0].reshape(1,-1), sentence_embeddings[1].reshape(1,-1)))

print(f'*cosine_score:{cosine_scores[0]}')

🔧 技術詳細

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 を測定して比較しました。
• 評価測定コードは こちら を参照してください。

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。

訓練過程

このモデルは以下のパラメータで訓練されました。

1. MLM 訓練

• 入力モデル : bert-base-multilingual-cased
• コーパス : 訓練 : bongsoo/moco-corpus-kowiki2022(7.6M) , 評価: bongsoo/bongevalsmall
• ハイパーパラメータ : 学習率 : 5e-5, エポック数: 8, バッチサイズ: 32, 最大トークン長 : 128
• 語彙数 : 152,537個 (元の 119,548 語彙に 32,989 個の新しい語彙を追加)
• 出力モデル : mbertV2.0 (サイズ: 813MB)
• 訓練時間 : 90時間/1GPU (24GB/19.6GB 使用)
• 損失 : 訓練損失: 2.258400, 評価損失: 3.102096, パープレキシティ: 19.78158(bong_eval:1,500)
• 訓練コードは こちら を参照してください。

2. STS 訓練 => bert を sentencebert 化します。

• 入力モデル : mbertV2.0
• コーパス : korsts + kluestsV1.1 + stsb_multi_mt + mteb/sickr-sts (合計:33,093)
• ハイパーパラメータ : 学習率 : 3e-5, エポック数: 200, バッチサイズ: 32, 最大トークン長 : 128
• 出力モデル : sbert-mbertV2.0 (サイズ: 813MB)
• 訓練時間 : 9時間20分/1GPU (24GB/9.0GB 使用)
• 損失(cosin_spearman) : 0.799(コーパス:korsts(tune_test.tsv))
• 訓練コードは こちら を参照してください。

3. 蒸留(distilation) 訓練

• 学生モデル : sbert-mbertV2.0
• 教師モデル : paraphrase-multilingual-mpnet-base-v2
• コーパス : en_ko_train.tsv(韓国語 - 英語の社会科学分野の並列コーパス : 1.1M)
• ハイパーパラメータ : 学習率 : 5e-5, エポック数: 40, バッチサイズ: 128, 最大トークン長 : 128
• 出力モデル : sbert-mlbertV2.0-distil
• 訓練時間 : 17時間/1GPU (24GB/18.6GB 使用)
• 訓練コードは こちら を参照してください。

4. STS 訓練 => sentencebert モデルを STS 訓練します。

• 入力モデル : sbert-mlbertV2.0-distil
• 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)
• ハイパーパラメータ : 学習率 : 3e-5, エポック数: 800, バッチサイズ: 64, 最大トークン長 : 128
• 出力モデル : moco-sentencebertV2.0
• 訓練時間 : 25時間/1GPU (24GB/13GB 使用)
• 訓練コードは こちら を参照してください。

モデル作成過程の詳細については こちら を参照してください。

DataLoader:

torch.utils.data.dataloader.DataLoader の長さは 1035 で、以下のパラメータが設定されています。

{'batch_size': 32, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Config:

{
  "_name_or_path": "../../data11/model/sbert/sbert-mbertV2.0-distil",
  "architectures": [
    "BertModel"
  ],
  "attention_probs_dropout_prob": 0.1,
  "classifier_dropout": null,
  "directionality": "bidi",
  "hidden_act": "gelu",
  "hidden_dropout_prob": 0.1,
  "hidden_size": 768,
  "initializer_range": 0.02,
  "intermediate_size": 3072,
  "layer_norm_eps": 1e-12,
  "max_position_embeddings": 512,
  "model_type": "bert",
  "num_attention_heads": 12,
  "num_hidden_layers": 12,
  "pad_token_id": 0,
  "pooler_fc_size": 768,
  "pooler_num_attention_heads": 12,
  "pooler_num_fc_layers": 3,
  "pooler_size_per_head": 128,
  "pooler_type": "first_token_transform",
  "position_embedding_type": "absolute",
  "torch_dtype": "float32",
  "transformers_version": "4.21.2",
  "type_vocab_size": 2,
  "use_cache": true,
  "vocab_size": 152537
}

モデルのアーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

📄 ライセンス

著作権者: bongsoo