Nb Sbert Base

🚀 NB-SBERT-BASE

NB-SBERT-BASE是一個基於SentenceTransformers的模型，它從nb-bert-base開始，在MNLI數據集的機器翻譯版本上進行訓練。該模型可將句子和段落映射到一個768維的密集向量空間，其向量可用於聚類和語義搜索等任務。下面將介紹該模型的使用方法，最簡單的方式是直接測量兩個句子之間的餘弦距離。語義相近的句子，其餘弦距離較小，相似度接近1。該模型經過訓練，不同語言中的相似句子也應彼此接近。理想情況下，英語 - 挪威語句子對應具有較高的相似度。

🚀 快速開始

本模型可用於多種自然語言處理任務，如句子相似度計算、關鍵詞提取、主題建模等。下面將詳細介紹其使用方法。

✨ 主要特性

• 多語言支持：能夠處理不同語言的句子，使不同語言的相似句子在向量空間中接近。
• 向量映射：將句子和段落映射到768維的密集向量空間，方便進行聚類和語義搜索等任務。
• 多種應用場景：可用於句子相似度計算、關鍵詞提取、主題建模、少樣本分類等多種自然語言處理任務。

📦 安裝指南

安裝Sentence-Transformers庫

pip install -U sentence-transformers

安裝KeyBERT庫（用於關鍵詞提取）

pip install keybert

安裝autofaiss庫（用於相似度搜索）

pip install autofaiss sentence-transformers

💻 使用示例

基礎用法

使用Sentence-Transformers計算句子相似度

from sentence_transformers import SentenceTransformer, util
sentences = ["This is a Norwegian boy", "Dette er en norsk gutt"]

model = SentenceTransformer('NbAiLab/nb-sbert-base')
embeddings = model.encode(sentences)
print(embeddings)

# Compute cosine-similarities with sentence transformers
cosine_scores = util.cos_sim(embeddings[0],embeddings[1])
print(cosine_scores)

# Compute cosine-similarities with SciPy
from scipy import spatial
scipy_cosine_scores = 1 - spatial.distance.cosine(embeddings[0],embeddings[1])
print(scipy_cosine_scores)

# Both should give 0.8250 in the example above.

不使用Sentence-Transformers計算句子相似度

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
sentences = ["This is a Norwegian boy", "Dette er en norsk gutt"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('NbAiLab/nb-sbert-base')
model = AutoModel.from_pretrained('NbAiLab/nb-sbert-base')

# 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, mean pooling.
embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print(embeddings)

# Compute cosine-similarities with SciPy
from scipy import spatial
scipy_cosine_scores = 1 - spatial.distance.cosine(embeddings[0],embeddings[1])
print(scipy_cosine_scores)

# This should give 0.8250 in the example above.

高級用法

關鍵詞提取

from keybert import KeyBERT
from sentence_transformers import SentenceTransformer
sentence_model = SentenceTransformer("NbAiLab/nb-sbert-base")
kw_model = KeyBERT(model=sentence_model)

doc = """
De første nasjonale bibliotek har sin opprinnelse i kongelige samlinger eller en annen framstående myndighet eller statsoverhode. 
Et av de første planene for et nasjonalbibliotek i England ble fremmet av den walisiske matematikeren og mystikeren John Dee som 
i 1556 presenterte en visjonær plan om et nasjonalt bibliotek for gamle bøker, manuskripter og opptegnelser for dronning Maria I 
av England. Hans forslag ble ikke tatt til følge.
"""
kw_model.extract_keywords(doc, stop_words=None)

# [('nasjonalbibliotek', 0.5242), ('bibliotek', 0.4342), ('samlinger', 0.3334), ('statsoverhode', 0.33), ('manuskripter', 0.3061)]

主題建模

topic_model = BERTopic(embedding_model='NbAiLab/nb-sbert-base').fit(docs)

相似度搜索

from autofaiss import build_index
import numpy as np

from sentence_transformers import SentenceTransformer, util
sentences = ["This is a Norwegian boy", "Dette er en norsk gutt", "A red house"]

model = SentenceTransformer('NbAiLab/nb-sbert-base')
embeddings = model.encode(sentences)
index, index_infos = build_index(embeddings, save_on_disk=False)

# Search for the closest matches
query = model.encode(["A young boy"])
_, index_matches = index.search(query, 1)
print(index_matches)

📚 詳細文檔

評估

在sts - test數據集上的評估結果如下：

訓練

模型的訓練參數如下：

數據加載器

sentence_transformers.datasets.NoDuplicatesDataLoader.NoDuplicatesDataLoader，長度為16471，參數如下：

{'batch_size': 32}

損失函數

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

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

fit()方法的參數

{
    "epochs": 1,
    "evaluation_steps": 1647,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 1648,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 75, 'do_lower_case': False}) with Transformer model: BertModel 
  (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})
)

引用與作者

該模型由Rolv - Arild Braaten和Per Egil Kummervold訓練，文檔由Javier de la Rosa、Rov - Arild Braaten和Per Egil Kummervold編寫。

🔧 技術細節

模型基於SentenceTransformers框架，從nb - bert - base開始訓練，在MNLI數據集的機器翻譯版本上進行微調。通過將句子和段落映射到768維的密集向量空間，實現了語義相似度的計算。在訓練過程中，使用了特定的數據加載器和損失函數，並對優化器、學習率調度器等參數進行了調整。

📄 許可證

本模型使用的許可證為apache - 2.0。