Kf Deberta Multitask

🚀 kf-deberta-multitask

kf-deberta-multitask 是一個 sentence-transformers 模型，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。你可以在 GitHub 上查看訓練配方。

🚀 快速開始

本模型可以通過 sentence-transformers 庫或 HuggingFace Transformers 庫使用，下面將分別介紹使用方法。

✨ 主要特性

• 多任務學習：使用 KorSTS 和 KorNLI 訓練數據集進行多任務學習，在語義相似度任務上表現出色。
• 高維向量映射：能夠將句子和段落映射到 768 維的密集向量空間。
• 廣泛適用性：可用於聚類、語義搜索等多種自然語言處理任務。

📦 安裝指南

如果你使用 sentence-transformers 庫，可通過以下命令安裝：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

from sentence_transformers import SentenceTransformer
sentences = ["안녕하세요?", "한국어 문장 임베딩을 위한 버트 모델입니다."]

model = SentenceTransformer("upskyy/kf-deberta-multitask")
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

如果不使用 sentence-transformers 庫，你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 = ["안녕하세요?", "한국어 문장 임베딩을 위한 버트 모델입니다."]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("upskyy/kf-deberta-multitask")
model = AutoModel.from_pretrained("upskyy/kf-deberta-multitask")

# 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

本模型在 KorSTS 和 KorNLI 訓練數據集上進行多任務學習後，使用 KorSTS 評估數據集進行評估，結果如下：

• 餘弦相似度皮爾遜相關係數：85.75
• 餘弦相似度斯皮爾曼相關係數：86.25
• 曼哈頓距離皮爾遜相關係數：84.80
• 曼哈頓距離斯皮爾曼相關係數：85.27
• 歐幾里得距離皮爾遜相關係數：84.79
• 歐幾里得距離斯皮爾曼相關係數：85.25
• 點積相似度皮爾遜相關係數：82.93
• 點積相似度斯皮爾曼相關係數：82.86

訓練參數

本模型的訓練參數如下：

數據加載器 1

sentence_transformers.datasets.NoDuplicatesDataLoader.NoDuplicatesDataLoader，長度為 4442，參數如下：

{'batch_size': 128}

損失函數 1

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

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

數據加載器 2

torch.utils.data.dataloader.DataLoader，長度為 719，參數如下：

{'batch_size': 8, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

損失函數 2

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

擬合方法參數

{
    "epochs": 10,
    "evaluation_steps": 1000,
    "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": 719,
    "weight_decay": 0.01
}

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: DebertaV2Model 
  (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, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False})
)

引用與作者

@proceedings{jeon-etal-2023-kfdeberta,
  title         = {KF-DeBERTa: Financial Domain-specific Pre-trained Language Model},
  author        = {Eunkwang Jeon, Jungdae Kim, Minsang Song, and Joohyun Ryu},
  booktitle     = {Proceedings of the 35th Annual Conference on Human and Cognitive Language Technology},
  moth          = {oct},
  year          = {2023},
  publisher     = {Korean Institute of Information Scientists and Engineers},
  url           = {http://www.hclt.kr/symp/?lnb=conference},
  pages         = {143--148},
}

@article{ham2020kornli,
  title={KorNLI and KorSTS: New Benchmark Datasets for Korean Natural Language Understanding},
  author={Ham, Jiyeon and Choe, Yo Joong and Park, Kyubyong and Choi, Ilji and Soh, Hyungjoon},
  journal={arXiv preprint arXiv:2004.03289},
  year={2020}
}