Gte Base Ko
這是一個基於阿里巴巴NLP/gte-multilingual-base模型,在韓語三元組數據集上微調的sentence-transformers模型,用於語義文本相似度等任務。
下載量 18
發布時間 : 11/17/2024
模型概述
該模型將句子和段落映射到768維的密集向量空間,可用於語義文本相似度、語義搜索、複述挖掘、文本分類、聚類等任務。
模型特點
多語言基礎模型
基於阿里巴巴NLP/gte-multilingual-base模型,具有良好的多語言處理能力
韓語優化
在韓語三元組數據集上進行了微調,特別適合韓語文本處理
高準確率
在開發集上達到0.9855的餘弦準確率
長文本支持
最大序列長度達8192個token,適合處理長文本
模型能力
語義文本相似度計算
語義搜索
文本特徵提取
文本聚類
文本分類
使用案例
信息檢索
相似文檔檢索
根據查詢文本查找語義相似的文檔
高準確率的相似度匹配
內容推薦
相關內容推薦
根據用戶瀏覽內容推薦語義相似的其他內容
提升用戶粘性和內容發現效率
🚀 基於Alibaba-NLP/gte-multilingual-base的句子轉換器模型
本模型是基於 sentence-transformers 庫,在 nlpai-lab/ko-triplet-v1.0 數據集上對 Alibaba-NLP/gte-multilingual-base 模型進行微調得到的。它能夠將句子和段落映射到768維的密集向量空間,可用於語義文本相似度計算、語義搜索、釋義挖掘、文本分類、聚類等任務。
🚀 快速開始
直接使用(Sentence Transformers)
首先安裝 Sentence Transformers 庫:
pip install -U sentence-transformers
然後加載模型並進行推理:
from sentence_transformers import SentenceTransformer
# 從 🤗 Hub 下載模型
model = SentenceTransformer("scottsuk0306/gte-base-ko")
# 進行推理
sentences = [
'중, 인사하다, 시주하다, 치다, 사람, 목탁',
'그 중은 시주한 사람에게 목탁을 치며 인사를 했다.',
'재주라는 것은 예절, 음악, 활쏘기, 글쓰기, 말타기, 계산하기다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]
# 獲取嵌入向量的相似度得分
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
✨ 主要特性
- 多語言支持:基於多語言基礎模型微調,適用於韓語相關任務。
- 高維向量表示:將文本映射到768維的密集向量空間,便於進行語義分析。
- 多種應用場景:可用於語義文本相似度計算、語義搜索、釋義挖掘、文本分類、聚類等。
📦 安裝指南
安裝 Sentence Transformers 庫:
pip install -U sentence-transformers
💻 使用示例
基礎用法
from sentence_transformers import SentenceTransformer
# 從 🤗 Hub 下載模型
model = SentenceTransformer("scottsuk0306/gte-base-ko")
# 進行推理
sentences = [
'중, 인사하다, 시주하다, 치다, 사람, 목탁',
'그 중은 시주한 사람에게 목탁을 치며 인사를 했다.',
'재주라는 것은 예절, 음악, 활쏘기, 글쓰기, 말타기, 계산하기다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]
# 獲取嵌入向量的相似度得分
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
📚 詳細文檔
模型詳情
模型描述
屬性 | 詳情 |
---|---|
模型類型 | 句子轉換器 |
基礎模型 | Alibaba-NLP/gte-multilingual-base |
最大序列長度 | 8192個標記 |
輸出維度 | 768個標記 |
相似度函數 | 餘弦相似度 |
訓練數據集 | nlpai-lab/ko-triplet-v1.0 |
語言 | 韓語 |
模型來源
- 文檔:Sentence Transformers 文檔
- 倉庫:GitHub上的 Sentence Transformers
- Hugging Face:Hugging Face 上的 Sentence Transformers
完整模型架構
SentenceTransformer(
(0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: NewModel
(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, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
(2): Normalize()
)
評估
指標
指標 | 值 |
---|---|
餘弦準確率 | 0.9855 |
點積準確率 | 0.0145 |
曼哈頓準確率 | 0.9855 |
歐幾里得準確率 | 0.9855 |
最大準確率 | 0.9855 |
訓練詳情
訓練數據集
- 數據集:nlpai-lab/ko-triplet-v1.0
- 大小:10,000個訓練樣本
- 列:
anchor
、positive
和negative
- 基於前1000個樣本的近似統計信息:
| | 錨點 | 正樣本 | 負樣本 |
| ---- | ---- | ---- | ---- |
| 類型 | 字符串 | 字符串 | 字符串 |
| 詳情 |
- 最小:9個標記
- 平均:22.12個標記
- 最大:146個標記
- 最小:10個標記
- 平均:92.69個標記
- 最大:1815個標記
- 最小:8個標記
- 平均:99.24個標記
- 最大:880個標記
- 損失函數:
MultipleNegativesRankingLoss
,參數如下:
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
評估數據集
- 數據集:nlpai-lab/ko-triplet-v1.0
- 大小:3,724個評估樣本
- 列:
anchor
、positive
和negative
- 基於前1000個樣本的近似統計信息:
| | 錨點 | 正樣本 | 負樣本 |
| ---- | ---- | ---- | ---- |
| 類型 | 字符串 | 字符串 | 字符串 |
| 詳情 |
- 最小:6個標記
- 平均:21.63個標記
- 最大:143個標記
- 最小:8個標記
- 平均:88.89個標記
- 最大:2003個標記
- 最小:10個標記
- 平均:102.66個標記
- 最大:3190個標記
- 損失函數:
MultipleNegativesRankingLoss
,參數如下:
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
訓練超參數
非默認超參數
eval_strategy
:按步數評估per_device_train_batch_size
:16per_device_eval_batch_size
:16learning_rate
:1e-05num_train_epochs
:1warmup_ratio
:0.1bf16
:Truepush_to_hub
:Truehub_model_id
:scottsuk0306/gte-base-kobatch_sampler
:無重複樣本
所有超參數
點擊展開
overwrite_output_dir
: Falsedo_predict
: Falseeval_strategy
: stepsprediction_loss_only
: Trueper_device_train_batch_size
: 16per_device_eval_batch_size
: 16per_gpu_train_batch_size
: Noneper_gpu_eval_batch_size
: Nonegradient_accumulation_steps
: 1eval_accumulation_steps
: Nonetorch_empty_cache_steps
: Nonelearning_rate
: 1e-05weight_decay
: 0.0adam_beta1
: 0.9adam_beta2
: 0.999adam_epsilon
: 1e-08max_grad_norm
: 1.0num_train_epochs
: 1max_steps
: -1lr_scheduler_type
: linearlr_scheduler_kwargs
: {}warmup_ratio
: 0.1warmup_steps
: 0log_level
: passivelog_level_replica
: warninglog_on_each_node
: Truelogging_nan_inf_filter
: Truesave_safetensors
: Truesave_on_each_node
: Falsesave_only_model
: Falserestore_callback_states_from_checkpoint
: Falseno_cuda
: Falseuse_cpu
: Falseuse_mps_device
: Falseseed
: 42data_seed
: Nonejit_mode_eval
: Falseuse_ipex
: Falsebf16
: Truefp16
: Falsefp16_opt_level
: O1half_precision_backend
: autobf16_full_eval
: Falsefp16_full_eval
: Falsetf32
: Nonelocal_rank
: 0ddp_backend
: Nonetpu_num_cores
: Nonetpu_metrics_debug
: Falsedebug
: []dataloader_drop_last
: Falsedataloader_num_workers
: 0dataloader_prefetch_factor
: Nonepast_index
: -1disable_tqdm
: Falseremove_unused_columns
: Truelabel_names
: Noneload_best_model_at_end
: Falseignore_data_skip
: Falsefsdp
: []fsdp_min_num_params
: 0fsdp_config
: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}fsdp_transformer_layer_cls_to_wrap
: Noneaccelerator_config
: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}deepspeed
: Nonelabel_smoothing_factor
: 0.0optim
: adamw_torchoptim_args
: Noneadafactor
: Falsegroup_by_length
: Falselength_column_name
: lengthddp_find_unused_parameters
: Noneddp_bucket_cap_mb
: Noneddp_broadcast_buffers
: Falsedataloader_pin_memory
: Truedataloader_persistent_workers
: Falseskip_memory_metrics
: Trueuse_legacy_prediction_loop
: Falsepush_to_hub
: Trueresume_from_checkpoint
: Nonehub_model_id
: scottsuk0306/gte-base-kohub_strategy
: every_savehub_private_repo
: Falsehub_always_push
: Falsegradient_checkpointing
: Falsegradient_checkpointing_kwargs
: Noneinclude_inputs_for_metrics
: Falseeval_do_concat_batches
: Truefp16_backend
: autopush_to_hub_model_id
: Nonepush_to_hub_organization
: Nonemp_parameters
:auto_find_batch_size
: Falsefull_determinism
: Falsetorchdynamo
: Noneray_scope
: lastddp_timeout
: 1800torch_compile
: Falsetorch_compile_backend
: Nonetorch_compile_mode
: Nonedispatch_batches
: Nonesplit_batches
: Noneinclude_tokens_per_second
: Falseinclude_num_input_tokens_seen
: Falseneftune_noise_alpha
: Noneoptim_target_modules
: Nonebatch_eval_metrics
: Falseeval_on_start
: Falseeval_use_gather_object
: Falsebatch_sampler
: no_duplicatesmulti_dataset_batch_sampler
: proportional
訓練日誌
輪次 | 步數 | 訓練損失 | 開發集最大準確率 |
---|---|---|---|
0 | 0 | - | 0.9855 |
0.16 | 100 | 0.137 | - |
0.32 | 200 | 0.0573 | - |
0.48 | 300 | 0.0488 | - |
0.64 | 400 | 0.0494 | - |
0.8 | 500 | 0.0441 | - |
0.96 | 600 | 0.0189 | - |
框架版本
- Python: 3.11.9
- Sentence Transformers: 3.0.1
- Transformers: 4.44.2
- PyTorch: 2.4.0+cu121
- Accelerate: 1.1.1
- Datasets: 2.19.0
- Tokenizers: 0.19.1
📄 許可證
文檔未提及相關信息。
📖 引用
BibTeX
Sentence Transformers
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
MultipleNegativesRankingLoss
@misc{henderson2017efficient,
title={Efficient Natural Language Response Suggestion for Smart Reply},
author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
year={2017},
eprint={1705.00652},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
Jina Embeddings V3
Jina Embeddings V3 是一個多語言句子嵌入模型,支持超過100種語言,專注於句子相似度和特徵提取任務。
文本嵌入
Transformers 支持多種語言

J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
基於MS Marco段落排序任務訓練的交叉編碼器模型,用於信息檢索中的查詢-段落相關性評分
文本嵌入 英語
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
基於蒸餾技術的稀疏檢索模型,專為OpenSearch優化,支持免推理文檔編碼,在搜索相關性和效率上優於V1版本
文本嵌入
Transformers 英語

O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
基於PubMedBERT的生物醫學實體表徵模型,通過自對齊預訓練優化語義關係捕捉
文本嵌入 英語
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Large 是一個強大的句子轉換器模型,專注於句子相似度和文本嵌入任務,在多個基準測試中表現出色。
文本嵌入 英語
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 是一個英文句子轉換器模型,專注於句子相似度任務,在多個文本嵌入基準測試中表現優異。
文本嵌入
Transformers 支持多種語言

G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base 是一個多語言的句子嵌入模型,支持超過50種語言,適用於句子相似度計算等任務。
文本嵌入
Transformers 支持多種語言

G
Alibaba-NLP
1.2M
246
Polybert
polyBERT是一個化學語言模型,旨在實現完全由機器驅動的超快聚合物信息學。它將PSMILES字符串映射為600維密集指紋,以數值形式表示聚合物化學結構。
文本嵌入
Transformers

P
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
基於土耳其語BERT的句子嵌入模型,專為語義相似度任務優化
文本嵌入
Transformers 其他

B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
基於BAAI/bge-small-en-v1.5模型微調的文本嵌入模型,通過MEDI數據集與MTEB分類任務數據集訓練,優化了檢索任務的查詢編碼能力。
文本嵌入
Safetensors 英語
G
avsolatorio
945.68k
29
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98