Zero Shot Vanilla Bi Encoder

🚀 Zero-shot Vanilla Bi-Encoder

このモデルは、ゼロショットテキスト分類を目的とした sentence-transformers モデルです。ACL'23 Paperの Label Agnostic Pre-training for Zero-shot Text Classification で Christopher Clarke, Yuzhao Heng, Yiping Kang, Krisztian Flautner, Lingjia Tang and Jason Mars によって導入されました。このモデルの学習と評価のコードは こちら で見ることができます。

🚀 クイックスタート

このモデルは、ゼロショットテキスト分類に使用されます。デュアルエンコーディング分類フレームワークの下で、アスペクト正規化された UTCD データセットを使用してベースラインとして学習されました。

✨ 主な機能

• ゼロショットテキスト分類に特化したモデルです。
• デュアルエンコーディング分類フレームワークを採用しています。
• アスペクト正規化された UTCD データセットで学習されています。

📚 ドキュメント

モデルの説明

このモデルは、ゼロショットテキスト分類を目的としています。デュアルエンコーディング分類フレームワークの下で、アスペクト正規化された UTCD データセットを使用してベースラインとして学習されました。

• ファインチューニング元のモデル: bert-base-uncased

モデルの使用方法

このモデルは以下のように使用できます。

>>> from sentence_transformers import SentenceTransformer, util as sbert_util
>>> model = SentenceTransformer(model_name_or_path='claritylab/zero-shot-vanilla-bi-encoder')

>>> text = "I'd like to have this track onto my Classical Relaxations playlist."
>>> labels = [
>>>     'Add To Playlist', 'Book Restaurant', 'Get Weather', 'Play Music', 'Rate Book', 'Search Creative Work',
>>>     'Search Screening Event'
>>> ]

>>> text_embed = model.encode(text)
>>> label_embeds = model.encode(labels)
>>> scores = [sbert_util.cos_sim(text_embed, lb_embed).item() for lb_embed in label_embeds]
>>> print(scores)

[
  0.7219685912132263,
  -0.011121425777673721,
  0.04929959028959274,
  0.6653788089752197,
  0.07093366980552673,
  0.2897151708602905,
  0.06133288890123367
]

📄 ライセンス

このモデルはMITライセンスの下で提供されています。