Simcse Roberta Base Zh

🚀 SimCSE(sup)

SimCSE(sup) 是一個用於句子相似度任務的模型。它基於特定的語言模型，在多箇中文數據集上進行評估，能夠將句子編碼為嵌入向量，並計算句子之間的餘弦相似度。

🚀 快速開始

本模型可用於將句子編碼為嵌入向量，還能計算兩個句子之間的餘弦相似度。以下是使用示例：

import torch
from transformers import BertTokenizer
from transformers import BertModel
from sklearn.metrics.pairwise import cosine_similarity

# model
simcse_sup_path = "hellonlp/simcse-roberta-base-zh"
tokenizer = BertTokenizer.from_pretrained(simcse_sup_path)
MODEL = BertModel.from_pretrained(simcse_sup_path)

def get_vector_simcse(sentence):
    """
    預測simcse的語義向量。
    """
    input_ids = torch.tensor(tokenizer.encode(sentence)).unsqueeze(0)
    output = MODEL(input_ids)
    return output.last_hidden_state[:, 0].squeeze(0)

embeddings = get_vector_simcse("武漢是一個美麗的城市。")
print(embeddings.shape)
#torch.Size([768])

def get_similarity_two(sentence1, sentence2):
    vec1 = get_vector_simcse(sentence1).tolist()
    vec2 = get_vector_simcse(sentence2).tolist()
    similarity_list = cosine_similarity([vec1], [vec2]).tolist()[0][0]
    return similarity_list

sentence1 = '你好嗎'
sentence2 = '你還好嗎'
result = get_similarity_two(sentence1,sentence2)
print(result) #0.7996
#(1.0, '你好嗎')
#(0.8247, '你好不好')
#(0.8217, '你現在好嗎')
#(0.7976, '你還好嗎')
#(0.7918, '你好不好呢')
#(0.712, '你過的好嗎')
#(0.6986, '你怎麼樣')
#(0.6693, '你')
#(0.5442, '你好個鬼')
#(0.4516, '你吃飯了嗎')
#(0.4, '我好開心啊')
#(0.29, '我不開心')
#(0.2782, '我吃了一個蘋果')

📦 數據集列表

以下數據集均為中文數據集：

📊 模型列表

評估數據集為中文，我們在不同方法上使用了相同的語言模型 RoBERTa base。此外，考慮到部分數據集的測試集規模較小，可能導致評估準確性偏差較大，這裡的評估數據同時使用了訓練集、驗證集和測試集，最終評估結果採用 加權平均 (w - avg) 方法。

📄 許可證

本項目採用 MIT 許可證。