Sbert Chinese General V2

🚀 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ーンに適しており、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

📦 インストール

このモデルを使用するには、まず必要なライブラリをインストールする必要があります。以下の2つの方法があります。

sentence-transformers を使用する場合

pip install -U sentence-transformers

HuggingFace Transformers を使用する場合

pip install transformers torch

💻 使用例

基本的な使用法

# [sentence-transformers](https://www.SBERT.net) を使用した基本的な使用例
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)

高度な使用法

# HuggingFace Transformers を使用した高度な使用例
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実際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。

引用と作者

E-mail: xiaowenbin@dmetasoul.com