Wikimedical Sent Biobert

🚀 WikiMedical_sent_biobert

WikiMedical_sent_biobert 是一個用於句子相似度計算的模型。它能將句子和段落映射到 768 維的密集向量空間，可用於聚類或語義搜索等任務。該模型基於特定的醫學數據集訓練，專注於醫學領域的文本相似度判斷。

🚀 快速開始

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

WikiMedical_sent_bert 基於 https://huggingface.co/dmis-lab/biobert-base-cased-v1.2 骨幹網絡，並在 WikiMedical_sentence_simialrity 數據集上進行了訓練。

該模型能夠預測兩個文本是否與同一維基百科頁面相關，且僅針對醫學主題。

📦 安裝指南

若要使用此模型，你需要安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法

使用 sentence-transformers 庫時，使用該模型變得十分簡單：

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

model = SentenceTransformer('nuvocare/WikiMedical_sent_biobert')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

若不使用 sentence-transformers 庫，你可以按以下方式使用該模型：首先，將輸入數據傳入 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('WikiMedical_sent_biobert')
model = AutoModel.from_pretrained('WikiMedical_sent_biobert')

# 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

該模型在 WikiMedical_sentence_similarity 數據集的測試集上進行了評估，取得了以下成績：

• 餘弦斯皮爾曼得分：0.87
• 餘弦皮爾遜得分：0.95

若要對該模型進行自動評估，請參考 Sentence Embeddings Benchmark：https://seb.sbert.net

訓練

該模型使用以下參數進行訓練：

數據加載器： torch.utils.data.dataloader.DataLoader，長度為 3170，參數如下：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失函數： sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit() 方法的參數：

{
    "epochs": 2,
    "evaluation_steps": 2000,
    "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": 300,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, '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})
)

引用與作者

作者：Samuel Chaineau