Bert Base Uncased Xnli Sts Finetuned Education

🚀 inokufu/bertheo-en

這是一個基於sentence-transformers的模型，在課程句子上進行了微調。它能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

本模型可通過兩種方式使用，分別是藉助 sentence-transformers 庫和直接使用 HuggingFace Transformers。以下是詳細的使用步驟。

✨ 主要特性

• 多階段微調：該模型基於英文的 bert-base-uncased 預訓練模型，先在學習對象（LO）句子數據集上微調，接著在自然語言推理任務（XNLI）和文本語義相似性任務（STS數據）上進行微調，使其在特定領域的語義表示能力遠超基礎模型。
• 廣泛應用：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、語義搜索等多種自然語言處理任務。

📦 安裝指南

若要使用 sentence-transformers 庫來調用此模型，需先安裝該庫：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

當你安裝了 sentence-transformers 後，使用該模型會變得十分簡單：

from sentence_transformers import SentenceTransformer
sentences = ["Learn to code in python", "Become an expert in accounting"]

model = SentenceTransformer('inokufu/bert-base-uncased-xnli-sts-finetuned-education')
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

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
sentences = ["Learn to code in python", "Become an expert in accounting"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('inokufu/bert-base-uncased-xnli-sts-finetuned-education')
model = AutoModel.from_pretrained('inokufu/bert-base-uncased-xnli-sts-finetuned-education')

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

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

📚 詳細文檔

評估結果

STS（英文）得分：84.61%

模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) 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})
)

參考資料

[1] https://huggingface.co/bert-base-uncased
[2] https://arxiv.org/abs/1810.04805
[3] https://arxiv.org/abs/1809.05053
[4] https://huggingface.co/datasets/stsb_multi_mt

🔧 技術細節

本模型基於英文的 bert-base-uncased 預訓練模型 [1, 2] 構建。其微調過程分為三個階段：

1. 學習對象（LO）句子數據集微調：使用包含500k條課程描述句子的樣本數據集，按照原始BERT論文 [2] 中提到的標準參數設置進行微調，以提升模型在特定領域句子的目標任務（掩碼語言模型）上的性能。
2. 自然語言推理任務（XNLI）微調：訓練模型識別句子之間的關係（矛盾、中立、蘊含），進一步增強模型的語義理解能力。
3. 文本語義相似性任務（STS數據）微調：訓練模型估計兩個句子之間的相似度，使模型能夠更好地捕捉句子的語義信息。

通過這三個階段的微調，模型在特定領域的語義表示能力得到了顯著提升。

📄 許可證

文檔未提及許可證相關信息。

📋 模型信息