Paraphrase Spanish Distilroberta

🚀 西班牙語釋義蒸餾羅伯塔模型（paraphrase-spanish-distilroberta）

這是一個 句子轉換器（sentence-transformers） 模型，它能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。我們採用師生遷移學習方法，使用平行的英 - 西句子對來訓練 bertin-roberta-base-spanish 模型。

🚀 快速開始

安裝依賴

若要使用此模型，需安裝 sentence-transformers：

pip install -U sentence-transformers

模型使用

使用 sentence-transformers 庫

安裝好 sentence-transformers 後，使用該模型就變得很簡單：

from sentence_transformers import SentenceTransformer
sentences = ["Este es un ejemplo", "Cada oración es transformada"]

model = SentenceTransformer('hackathon-pln-es/paraphrase-spanish-distilroberta')
embeddings = model.encode(sentences)
print(embeddings)

使用 HuggingFace Transformers 庫

若未安裝 sentence-transformers，也可以使用該模型。首先，將輸入數據傳入變壓器模型，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

# 均值池化 - 考慮注意力掩碼以進行正確平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # 模型輸出的第一個元素包含所有詞嵌入
    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)

# 我們需要句子嵌入的句子
sentences = ['Este es un ejemplo", "Cada oración es transformada']

# 從 HuggingFace Hub 加載模型
tokenizer = AutoTokenizer.from_pretrained('hackathon-pln-es/paraphrase-spanish-distilroberta')
model = AutoModel.from_pretrained('hackathon-pln-es/paraphrase-spanish-distilroberta')

# 對句子進行分詞
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 計算詞嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

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

# 歸一化嵌入
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

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

✨ 主要特性

• 向量映射：能將句子和段落映射到 768 維的密集向量空間。
• 遷移學習：採用師生遷移學習方法，使用平行英 - 西句子對訓練。
• 多語言支持：是一個雙語的西班牙語 - 英語模型。

📦 安裝指南

pip install -U sentence-transformers

💻 使用示例

基礎用法

from sentence_transformers import SentenceTransformer
sentences = ["Este es un ejemplo", "Cada oración es transformada"]

model = SentenceTransformer('hackathon-pln-es/paraphrase-spanish-distilroberta')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

# 均值池化 - 考慮注意力掩碼以進行正確平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # 模型輸出的第一個元素包含所有詞嵌入
    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)

# 我們需要句子嵌入的句子
sentences = ['Este es un ejemplo", "Cada oración es transformada']

# 從 HuggingFace Hub 加載模型
tokenizer = AutoTokenizer.from_pretrained('hackathon-pln-es/paraphrase-spanish-distilroberta')
model = AutoModel.from_pretrained('hackathon-pln-es/paraphrase-spanish-distilroberta')

# 對句子進行分詞
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 計算詞嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

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

# 歸一化嵌入
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

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

📚 詳細文檔

模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, '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})
)

評估結果

在 STS-2017.es-en.txt 和 STS-2017.es-es.txt（為評估目的手動翻譯）上進行相似度評估。我們測量不同語言句子對之間的語義文本相似度（STS）：

西班牙語 - 西班牙語（ES-ES）

西班牙語 - 英語（ES-EN）

預期用途

我們的模型旨在用作句子和短段落編碼器。給定輸入文本，它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。

背景

此模型是一個雙語的西班牙語 - 英語模型，根據論文 《使用知識蒸餾使單語言句子嵌入多語言化》 中的說明以及其配套 Python 包的 文檔 進行訓練。我們使用了最強的可用預訓練英語雙編碼器（paraphrase-mpnet-base-v2）作為教師模型，使用預訓練的西班牙語 BERTIN 作為學生模型。

該模型是在由 hackathon-pln-es 組織舉辦的 2022 年西班牙語自然語言處理黑客馬拉松 期間開發的。

訓練數據

我們使用了多個包含句子對（英語 - 西班牙語）的數據集的拼接。可以查看訓練期間使用的數據集：parallel-sentences

🔧 技術細節

• 訓練方法：採用師生遷移學習方法，使用平行英 - 西句子對訓練。
• 模型架構：SentenceTransformer 包含 Transformer 和 Pooling 模塊。
• 評估指標：使用多種相似度指標（餘弦、曼哈頓、歐幾里得、點積）的皮爾遜和斯皮爾曼係數進行評估。

📄 許可證

文檔中未提及相關許可證信息。

👨‍💻 作者

• Anibal Pérez
• Emilio Tomás Ariza
• Lautaro Gesuelli Pinto
• Mauricio Mazuecos