ST NLI Ca Paraphrase Multilingual Mpnet Base

🚀 ST-NLI-ca_paraphrase-multilingual-mpnet-base

這是一個 sentence-transformers 模型：它可以將句子和段落映射到一個 768 維的密集向量空間，可用於聚類或語義搜索等任務。

該模型是在多語言微調模型 paraphrase-multilingual-mpnet-base-v2 的基礎上，使用自然語言推理（NLI）數據進一步訓練得到的。具體來說，它在兩個加泰羅尼亞語 NLI 數據集上進行了訓練：TE-ca 以及專業翻譯的加泰羅尼亞語版 XNLI 數據集。訓練過程中採用了帶有難負樣本的多負樣本排序損失函數，該函數利用由前提、蘊含假設和矛盾假設組成的三元組進行訓練。需要注意的是，由於這種訓練方式，NLI 數據集中的中立假設未用於訓練。此外，作為一種數據增強方式，模型的訓練集通過複製三元組進行了擴展，其中前提和蘊含假設的順序被顛倒，最終得到了總共 18,928 個三元組。

🚀 快速開始

本模型可以藉助 sentence-transformers 或 HuggingFace Transformers 來使用。

📦 安裝指南

若要使用此模型，需先安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

安裝好 sentence-transformers 後，你可以這樣使用該模型：

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

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（Sentence-Transformers）

例如，要根據句子與參考句子的相似度對句子列表進行排序，可以使用以下代碼：

reference_sent = "Avui és un bon dia."
sentences = [
    "M'agrada el dia que fa.",
    "Tothom té un mal dia.",
    "És dijous.",
    "Fa un dia realment dolent",
]

reference_sent_embedding = model.encode(reference_sent)
similarity_scores = {}
for sentence in sentences:
    sent_embedding = model.encode(sentence)
    cosine_similarity = util.pytorch_cos_sim(reference_sent_embedding, sent_embedding)
    similarity_scores[float(cosine_similarity.data[0][0])] = sentence

print(f"Sentences in order of similarity to '{reference_sent}' (from max to min):")
for i, (cosine_similarity,sent) in enumerate(dict(sorted(similarity_scores.items(), reverse=True)).items()):
    print(f"{i}) '{sent}': {cosine_similarity}")

基礎用法（HuggingFace Transformers）

若未安裝 sentence-transformers，你可以按以下方式使用該模型：首先將輸入傳遞給 Transformer 模型，然後對上下文詞嵌入應用正確的池化操作。

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 = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

# 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)

📚 詳細文檔

評估結果

我們在加泰羅尼亞語語義文本相似度測試集（STS-ca）以及兩個加泰羅尼亞語釋義識別任務上對模型進行了評估：Parafraseja 和專業翻譯的加泰羅尼亞語版 PAWS 數據集。

訓練

模型使用以下參數進行訓練：

數據加載器： sentence_transformers.datasets.NoDuplicatesDataLoader.NoDuplicatesDataLoader，長度為 147，參數如下：

{'batch_size': 128}

損失函數： sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，參數如下：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

fit() 方法的參數：

{
    "epochs": 1,
    "evaluation_steps": 14,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 15,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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})
)

引用與作者

如需進一步信息，請發送郵件至 aina@bsc.es。