Keyphrase Mpnet V1

🚀 keyphrase-mpnet-v1

這是一個專門用於短語處理的 sentence-transformers 模型。它能將短語映射到一個 768 維的密集向量空間，可用於聚類或語義搜索等任務。在原論文中，該模型用於計算關鍵短語模型基於語義的評估指標。

此模型基於 sentence-transformers/all-mpnet-base-v2，並使用 SimCSE 在 100 萬個關鍵短語數據上進行了進一步微調。

🚀 快速開始

本模型可用於將短語映射到 768 維的密集向量空間，以完成聚類或語義搜索等任務。

✨ 主要特性

• 專門針對短語處理進行優化。
• 基於 sentence-transformers/all-mpnet-base-v2 模型微調。
• 可用於計算關鍵短語模型基於語義的評估指標。

📦 安裝指南

若要使用此模型，需安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

from sentence_transformers import SentenceTransformer
phrases = ["information retrieval", "text mining", "natural language processing"]

model = SentenceTransformer('uclanlp/keyphrase-mpnet-v1')
embeddings = model.encode(phrases)
print(embeddings)

高級用法（HuggingFace Transformers）

在未安裝 sentence-transformers 的情況下，可按如下方式使用該模型：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
phrases = ["information retrieval", "text mining", "natural language processing"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('uclanlp/keyphrase-mpnet-v1')
model = AutoModel.from_pretrained('uclanlp/keyphrase-mpnet-v1')

# Tokenize sentences
encoded_input = tokenizer(phrases, 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("Phrase embeddings:")
print(sentence_embeddings)

📚 詳細文檔

訓練數據

該模型在來自四個關鍵短語數據集的短語上進行訓練，這些數據集涵蓋了廣泛的領域。

訓練參數

• DataLoader： torch.utils.data.dataloader.DataLoader，長度為 2025，參數如下：

  {'batch_size': 512, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
  

• Loss： sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，參數如下：

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

• fit() 方法參數：

  {
      "epochs": 1,
      "evaluation_steps": 0,
      "evaluator": "NoneType",
      "max_grad_norm": 1,
      "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
      "optimizer_params": {
          "lr": 1e-06
      },
      "scheduler": "WarmupLinear",
      "steps_per_epoch": null,
      "warmup_steps": 203,
      "weight_decay": 0.01
  }
  

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 12, 'do_lower_case': False}) with Transformer model: MPNetModel 
  (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})
)

🔧 技術細節

本模型基於 sentence-transformers/all-mpnet-base-v2 進行微調，使用了 SimCSE 方法在 100 萬個關鍵短語數據上進行訓練。通過將短語映射到 768 維的密集向量空間，實現了對短語的有效處理，可用於聚類、語義搜索以及計算關鍵短語模型基於語義的評估指標等任務。

📄 許可證

文檔中未提及許可證相關信息。

📚 引用與作者

論文：KPEval: Towards Fine-grained Semantic-based Keyphrase Evaluation

@inproceedings{wu-etal-2024-kpeval,
    title = "{KPE}val: Towards Fine-Grained Semantic-Based Keyphrase Evaluation",
    author = "Wu, Di  and
      Yin, Da  and
      Chang, Kai-Wei",
    editor = "Ku, Lun-Wei  and
      Martins, Andre  and
      Srikumar, Vivek",
    booktitle = "Findings of the Association for Computational Linguistics ACL 2024",
    month = aug,
    year = "2024",
    address = "Bangkok, Thailand and virtual meeting",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2024.findings-acl.117",
    pages = "1959--1981",
}