模型概述
模型特點
模型能力
使用案例
🚀 shibing624/text2vec-bge-large-chinese
這是一個CoSENT(餘弦句子)模型:shibing624/text2vec-bge-large-chinese。它能將句子映射到一個1024維的密集向量空間,可用於句子嵌入、文本匹配或語義搜索等任務。
🚀 快速開始
若要使用此模型,你可以通過以下兩種方式進行:
使用text2vec庫
首先安裝 text2vec:
pip install -U text2vec
然後按如下方式使用模型:
from text2vec import SentenceModel
sentences = ['如何更換花唄綁定銀行卡', '花唄更改綁定銀行卡']
model = SentenceModel('shibing624/text2vec-bge-large-chinese')
embeddings = model.encode(sentences)
print(embeddings)
使用HuggingFace Transformers庫
若未安裝 text2vec,你可以按以下步驟操作。首先安裝transformers庫:
pip install transformers
接著加載模型並進行預測:
from transformers import BertTokenizer, BertModel
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)
# Load model from HuggingFace Hub
tokenizer = BertTokenizer.from_pretrained('shibing624/text2vec-bge-large-chinese')
model = BertModel.from_pretrained('shibing624/text2vec-bge-large-chinese')
sentences = ['如何更換花唄綁定銀行卡', '花唄更改綁定銀行卡']
# 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)
使用sentence-transformers庫
sentence-transformers 是一個流行的用於計算句子密集向量表示的庫。首先安裝它:
pip install -U sentence-transformers
然後加載模型並進行預測:
from sentence_transformers import SentenceTransformer
m = SentenceTransformer("shibing624/text2vec-bge-large-chinese")
sentences = ['如何更換花唄綁定銀行卡', '花唄更改綁定銀行卡']
sentence_embeddings = m.encode(sentences)
print("Sentence embeddings:")
print(sentence_embeddings)
✨ 主要特性
- 向量映射:能將句子映射到1024維的密集向量空間。
- 多任務適用:可用於句子嵌入、文本匹配或語義搜索等任務。
- 效果提升:在中文測試集評估中,相對於原模型效果有提升,在短文本區分度上提升明顯。
📦 安裝指南
若使用 text2vec 庫,可通過以下命令安裝:
pip install -U text2vec
若使用HuggingFace Transformers庫,安裝命令如下:
pip install transformers
若使用sentence-transformers庫,安裝命令為:
pip install -U sentence-transformers
💻 使用示例
基礎用法
from text2vec import SentenceModel
sentences = ['如何更換花唄綁定銀行卡', '花唄更改綁定銀行卡']
model = SentenceModel('shibing624/text2vec-bge-large-chinese')
embeddings = model.encode(sentences)
print(embeddings)
📚 詳細文檔
模型信息
屬性 | 詳情 |
---|---|
模型類型 | CoSENT(餘弦句子)模型 |
訓練數據 | https://huggingface.co/datasets/shibing624/nli-zh-all/tree/main/text2vec-base-chinese-paraphrase-dataset |
基礎模型 | https://huggingface.co/BAAI/bge-large-zh-noinstruct |
最大序列長度 | 256 |
最佳訓練輪數 | 4 |
句子嵌入維度 | 1024 |
評估
要對該模型進行自動評估,請參考 評估基準:text2vec。
發佈模型
本項目release模型的中文匹配評測結果如下:
架構 | 基礎模型 | 模型 | ATEC | BQ | LCQMC | PAWSX | STS-B | SOHU-dd | SOHU-dc | 平均 | QPS |
---|---|---|---|---|---|---|---|---|---|---|---|
Word2Vec | word2vec | w2v-light-tencent-chinese | 20.00 | 31.49 | 59.46 | 2.57 | 55.78 | 55.04 | 20.70 | 35.03 | 23769 |
SBERT | xlm-roberta-base | sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 | 18.42 | 38.52 | 63.96 | 10.14 | 78.90 | 63.01 | 52.28 | 46.46 | 3138 |
CoSENT | hfl/chinese-macbert-base | shibing624/text2vec-base-chinese | 31.93 | 42.67 | 70.16 | 17.21 | 79.30 | 70.27 | 50.42 | 51.61 | 3008 |
CoSENT | hfl/chinese-lert-large | GanymedeNil/text2vec-large-chinese | 32.61 | 44.59 | 69.30 | 14.51 | 79.44 | 73.01 | 59.04 | 53.12 | 2092 |
CoSENT | nghuyong/ernie-3.0-base-zh | shibing624/text2vec-base-chinese-sentence | 43.37 | 61.43 | 73.48 | 38.90 | 78.25 | 70.60 | 53.08 | 59.87 | 3089 |
CoSENT | nghuyong/ernie-3.0-base-zh | shibing624/text2vec-base-chinese-paraphrase | 44.89 | 63.58 | 74.24 | 40.90 | 78.93 | 76.70 | 63.30 | 63.08 | 3066 |
CoSENT | sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 | shibing624/text2vec-base-multilingual | 32.39 | 50.33 | 65.64 | 32.56 | 74.45 | 68.88 | 51.17 | 53.67 | 3138 |
CoSENT | BAAI/bge-large-zh-noinstruct | shibing624/text2vec-bge-large-chinese | 38.41 | 61.34 | 71.72 | 35.15 | 76.44 | 71.81 | 63.15 | 59.72 | 844 |
說明:
- 結果評測指標:spearman係數。
shibing624/text2vec-base-chinese
模型,是用CoSENT方法訓練,基於hfl/chinese-macbert-base
在中文STS - B數據訓練得到,並在中文STS - B測試集評估達到較好效果,運行 examples/training_sup_text_matching_model.py 代碼可訓練模型,模型文件已經上傳HF model hub,中文通用語義匹配任務推薦使用。shibing624/text2vec-base-chinese-sentence
模型,是用CoSENT方法訓練,基於nghuyong/ernie-3.0-base-zh
用人工挑選後的中文STS數據集 shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset 訓練得到,並在中文各NLI測試集評估達到較好效果,運行 examples/training_sup_text_matching_model_jsonl_data.py 代碼可訓練模型,模型文件已經上傳HF model hub,中文s2s(句子vs句子)語義匹配任務推薦使用。shibing624/text2vec-base-chinese-paraphrase
模型,是用CoSENT方法訓練,基於nghuyong/ernie-3.0-base-zh
用人工挑選後的中文STS數據集 shibing624/nli-zh-all/text2vec-base-chinese-paraphrase-dataset,數據集相對於 shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset 加入了s2p(sentence to paraphrase)數據,強化了其長文本的表徵能力,並在中文各NLI測試集評估達到SOTA,運行 examples/training_sup_text_matching_model_jsonl_data.py 代碼可訓練模型,模型文件已經上傳HF model hub,中文s2p(句子vs段落)語義匹配任務推薦使用。shibing624/text2vec-base-multilingual
模型,是用CoSENT方法訓練,基於sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
用人工挑選後的多語言STS數據集 shibing624/nli-zh-all/text2vec-base-multilingual-dataset 訓練得到,並在中英文測試集評估相對於原模型效果有提升,運行 examples/training_sup_text_matching_model_jsonl_data.py 代碼可訓練模型,模型文件已經上傳HF model hub,多語言語義匹配任務推薦使用。shibing624/text2vec-bge-large-chinese
模型,是用CoSENT方法訓練,基於BAAI/bge-large-zh-noinstruct
用人工挑選後的中文STS數據集 shibing624/nli-zh-all/text2vec-base-chinese-paraphrase-dataset 訓練得到,並在中文測試集評估相對於原模型效果有提升,在短文本區分度上提升明顯,運行 examples/training_sup_text_matching_model_jsonl_data.py 代碼可訓練模型,模型文件已經上傳HF model hub,中文s2s(句子vs句子)語義匹配任務推薦使用。w2v-light-tencent-chinese
是騰訊詞向量的Word2Vec模型,CPU加載使用,適用於中文字面匹配任務和缺少數據的冷啟動情況。- 各預訓練模型均可以通過transformers調用,如MacBERT模型:
--model_name hfl/chinese-macbert-base
或者roberta模型:--model_name uer/roberta-medium-wwm-chinese-cluecorpussmall
。 - 為測評模型的魯棒性,加入了未訓練過的SOHU測試集,用於測試模型的泛化能力;為達到開箱即用的實用效果,使用了蒐集到的各中文匹配數據集,數據集也上傳到HF datasets鏈接見下方。
- 中文匹配任務實驗表明,pooling最優是
EncoderType.FIRST_LAST_AVG
和EncoderType.MEAN
,兩者預測效果差異很小。 - 中文匹配評測結果復現,可以下載中文匹配數據集到
examples/data
,運行 tests/model_spearman.py 代碼復現評測結果。 - QPS的GPU測試環境是Tesla V100,顯存32GB。
模型訓練實驗報告:實驗報告
模型架構
CoSENT(
(0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: ErnieModel
(1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_mean_tokens': True})
)
預期用途
本模型旨在作為句子和短段落編碼器使用。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。默認情況下,輸入文本長度超過256個詞塊時會被截斷。
訓練過程
預訓練
使用預訓練模型 https://huggingface.co/BAAI/bge-large-zh-noinstruct。有關預訓練過程的更多詳細信息,請參考該模型的說明文檔。
微調
使用對比目標對模型進行微調。具體來說,計算批次中每個可能句子對的餘弦相似度,然後通過與真實對和虛假對進行比較來應用排序損失。
🔧 技術細節
模型訓練
- 預訓練:採用了預訓練模型 https://huggingface.co/BAAI/bge-large-zh-noinstruct 作為基礎。
- 微調:運用對比目標進行微調,計算批次內句子對的餘弦相似度,並通過與真實和虛假對比較應用排序損失。
評估指標
使用spearman係數作為評測指標,用於評估模型在中文匹配任務中的性能。
📄 許可證
本模型使用的許可證為Apache - 2.0。
引用與作者
本模型由 text2vec 訓練。如果你覺得該模型有幫助,請參考以下引用:
@software{text2vec,
author = {Ming Xu},
title = {text2vec: A Tool for Text to Vector},
year = {2023},
url = {https://github.com/shibing624/text2vec},
}







