Labse Sentence Embeddings

🚀 LaBSE

LaBSE（Language-agnostic BERT Sentence Encoder）是一個基於BERT的模型，可針對109種語言進行句子嵌入。它結合了掩碼語言建模和翻譯語言建模的預訓練過程，能有效獲取多語言句子嵌入，適用於雙語文本檢索任務。

✨ 主要特性

• 多語言支持：支持多達109種語言，包括但不限於英語、中文、日語、意大利語等。
• 句子嵌入：能夠生成高質量的句子嵌入，用於句子相似度計算等任務。
• 模型遷移：從TF Hub的v2模型遷移而來，且兩個版本生成的嵌入結果等效。

📦 安裝指南

此文檔未提及具體安裝步驟，若使用相關模型，可參考Hugging Face的相關安裝說明。

💻 使用示例

基礎用法

import torch
from transformers import BertModel, BertTokenizerFast

tokenizer = BertTokenizerFast.from_pretrained("setu4993/LaBSE")
model = BertModel.from_pretrained("setu4993/LaBSE")
model = model.eval()

english_sentences = [
    "dog",
    "Puppies are nice.",
    "I enjoy taking long walks along the beach with my dog.",
]
english_inputs = tokenizer(english_sentences, return_tensors="pt", padding=True)

with torch.no_grad():
    english_outputs = model(**english_inputs)

高級用法

獲取句子嵌入

english_embeddings = english_outputs.pooler_output

其他語言輸出

italian_sentences = [
    "cane",
    "I cuccioli sono carini.",
    "Mi piace fare lunghe passeggiate lungo la spiaggia con il mio cane.",
]
japanese_sentences = ["犬", "子犬はいいです", "私は犬と一緒にビーチを散歩するのが好きです"]
italian_inputs = tokenizer(italian_sentences, return_tensors="pt", padding=True)
japanese_inputs = tokenizer(japanese_sentences, return_tensors="pt", padding=True)

with torch.no_grad():
    italian_outputs = model(**italian_inputs)
    japanese_outputs = model(**japanese_inputs)

italian_embeddings = italian_outputs.pooler_output
japanese_embeddings = japanese_outputs.pooler_output

計算句子相似度

import torch.nn.functional as F

def similarity(embeddings_1, embeddings_2):
    normalized_embeddings_1 = F.normalize(embeddings_1, p=2)
    normalized_embeddings_2 = F.normalize(embeddings_2, p=2)
    return torch.matmul(
        normalized_embeddings_1, normalized_embeddings_2.transpose(0, 1)
    )

print(similarity(english_embeddings, italian_embeddings))
print(similarity(english_embeddings, japanese_embeddings))
print(similarity(italian_embeddings, japanese_embeddings))

📚 詳細文檔

• 模型：HuggingFace的模型中心
• 論文：arXiv
• 原始模型：TensorFlow Hub
• 博客文章：Google AI博客
• 從TensorFlow到PyTorch的轉換：GitHub

關於數據、訓練、評估和性能指標的詳細信息，請參考原始論文。

🔧 技術細節

該模型是基於BERT架構，預訓練過程結合了掩碼語言建模和翻譯語言建模。它從TF Hub的v2模型遷移而來，使用基於字典的輸入，且兩個版本生成的嵌入結果等效，具體可參考測試代碼。

📄 許可證

本項目採用Apache-2.0許可證。

BibTeX引用

@misc{feng2020languageagnostic,
      title={Language-agnostic BERT Sentence Embedding},
      author={Fangxiaoyu Feng and Yinfei Yang and Daniel Cer and Naveen Arivazhagan and Wei Wang},
      year={2020},
      eprint={2007.01852},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

📋 模型信息