Albert Small Kor Sbert V1

🚀 albert-small-kor-sbert-v1

這是一個 sentence-transformers 模型，它可以將句子和段落映射到一個 768 維的密集向量空間，可用於聚類或語義搜索等任務。該模型基於 albert-small-kor-v1 模型通過 sentencebert 方法構建而成。

🚀 快速開始

本模型可通過兩種方式使用，分別是使用 sentence-transformers 庫和直接使用 HuggingFace Transformers 庫。下面將分別介紹這兩種使用方式。

📦 安裝指南

若要使用 sentence-transformers 來調用本模型，需先安裝該庫：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

安裝好 sentence-transformers 後，就可以按如下方式使用該模型：

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

model = SentenceTransformer('bongsoo/albert-small-kor-sbert-v1')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

若不使用 sentence-transformers，可以按以下步驟使用該模型：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


def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]


# 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('bongsoo/albert-small-kor-sbert-v1')
model = AutoModel.from_pretrained('bongsoo/albert-small-kor-sbert-v1')

# 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, cls pooling.
sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

📚 詳細文檔

評估結果

• 性能評估使用了以下韓語（kor）和英語（en）評估語料庫：
  • 韓語：korsts（1,379 對句子） 和 klue-sts（519 對句子）
  • 英語：stsb_multi_mt（1,376 對句子）和 glue:stsb（1,500 對句子）
• 性能指標為 cosin.spearman
• 評估代碼請參考 這裡

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

訓練過程

本模型基於 albert-small-kor-v1 模型，按照 sts(10)-distil(10)-nli(3)-sts(10) 的順序進行訓練。

訓練參數

• 通用參數：
  • do_lower_case=1, correct_bios=0, polling_mode=cls

1. STS 訓練

• 語料庫：korsts(5,749) + kluestsV1.1(11,668) + stsb_multi_mt(5,749) + mteb/sickr-sts(9,927) + glue stsb(5,749)（總計：38,842）
• 參數：lr: 1e-4, eps: 1e-6, warm_step=10%, epochs: 10, train_batch: 32, eval_batch: 64, max_token_len: 72
• 訓練代碼：這裡

2. 蒸餾訓練

• 教師模型：paraphrase-multilingual-mpnet-base-v2（max_token_len:128）
• 語料庫：news_talk_en_ko_train.tsv（英語 - 韓語對話 - 新聞平行語料庫：1.38M）
• 參數：lr: 5e-5, eps: 1e-8, epochs: 10, train_batch: 32, eval/test_batch: 64, max_token_len: 128（與教師模型保持一致）
• 訓練代碼：這裡

3. NLI 訓練

• 語料庫：
  • 訓練集（967,852）：kornli(550,152)、kluenli(24,998)、glue-mnli(392,702)
  • 評估集（3,519）：korsts(1,500)、kluests(519)、gluests(1,500)
• 超參數：lr: 3e-5, eps: 1e-8, warm_step=10%, epochs: 3, train/eval_batch: 64, max_token_len: 128
• 訓練代碼：這裡

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': True}) with Transformer model: AlbertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用與作者

作者：bongsoo