All Mpnet Base V2 Negation

🚀 all-mpnet-base-v2-negation

本模型是一個經過微調的 sentence-transformers 模型，在處理否定句對時表現更優。它能夠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。

🚀 快速開始

安裝依賴

使用該模型，需要安裝 sentence-transformers：

pip install -U sentence-transformers

使用示例

基礎用法

from sentence_transformers import SentenceTransformer

sentences = [
    "I like rainy days because they make me feel relaxed.",
    "I don't like rainy days because they don't make me feel relaxed."
]

model = SentenceTransformer('dmlls/all-mpnet-base-v2-negation')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

若未安裝 sentence-transformers，可以按以下方式使用該模型：首先將輸入傳遞給變壓器模型，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
import torch.nn.functional as F

# 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 = [
    "I like rainy days because they make me feel relaxed.",
    "I don't like rainy days because they don't make me feel relaxed."
]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('dmlls/all-mpnet-base-v2-negation')
model = AutoModel.from_pretrained('dmlls/all-mpnet-base-v2-negation')

# 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
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# Normalize embeddings
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print(sentence_embeddings)

📚 詳細文檔

背景

本模型是在 This is not correct! Negation-aware Evaluation of Language Generation Systems 論文的背景下進行微調的。

預期用途

我們的模型旨在用作句子和短段落編碼器，與基礎模型相比，在處理否定句對時表現出色（即報告較低的相似度分數）。

給定輸入文本，模型會輸出一個捕獲語義信息的向量。該句子向量可用於信息檢索、聚類或句子相似度任務。

默認情況下，超過 384 個詞塊的輸入文本將被截斷。

訓練過程

預訓練

我們使用 sentence-transformers/all-mpnet-base-v2 作為基礎模型。

微調

我們使用對比目標在 CANNOT 數據集 上對模型進行了微調。具體來說，我們計算批次中每個可能的句子對的餘弦相似度，然後通過與真實對進行比較來應用交叉熵損失。

超參數

我們採用了與 其他 Sentence Transformers 的訓練方式 類似的方法。我們將 CANNOT 數據集中的前 90% 樣本作為訓練集。 我們使用了 64 的批次大小，並訓練了 1 個 epoch。

🔧 技術細節

模型指標

訓練數據

• s2orc
• flax-sentence-embeddings/stackexchange_xml
• ms_marco
• gooaq
• yahoo_answers_topics
• code_search_net
• search_qa
• eli5
• snli
• multi_nli
• wikihow
• natural_questions
• trivia_qa
• embedding-data/sentence-compression
• embedding-data/flickr30k-captions
• embedding-data/altlex
• embedding-data/simple-wiki
• embedding-data/QQP
• embedding-data/SPECTER
• embedding-data/PAQ_pairs
• embedding-data/WikiAnswers
• tum-nlp/cannot-dataset

📄 許可證

本項目採用 Apache-2.0 許可證。