Text2vec Base Multilingual

🚀 shibing624/text2vec-base-multilingual

這是一個CoSENT（餘弦句子）模型：shibing624/text2vec-base-multilingual。它能將句子映射到一個384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

安裝依賴庫

如果你安裝了 text2vec，使用這個模型會變得很容易：

pip install -U text2vec

使用示例

from text2vec import SentenceModel
sentences = ['如何更換花唄綁定銀行卡', 'How to replace the Huabei bundled bank card']

model = SentenceModel('shibing624/text2vec-base-multilingual')
embeddings = model.encode(sentences)
print(embeddings)

✨ 主要特性

• 多語言支持：支持德語（de）、英語（en）、西班牙語（es）、法語（fr）、意大利語（it）、荷蘭語（nl）、波蘭語（pl）、葡萄牙語（pt）、俄語（ru）和中文（zh）等多種語言。
• 語義匹配能力：能將句子映射到384維的密集向量空間，可有效用於句子嵌入、文本匹配或語義搜索等任務。
• 訓練數據優質：使用人工挑選後的多語言STS數據集 shibing624/nli-zh-all/text2vec-base-multilingual-dataset 進行訓練，在中英文測試集評估中相對於原模型效果有提升。

📦 安裝指南

安裝 text2vec

pip install -U text2vec

安裝 transformers

pip install transformers

安裝 sentence-transformers

pip install -U sentence-transformers

💻 使用示例

基礎用法

使用 text2vec

from text2vec import SentenceModel
sentences = ['如何更換花唄綁定銀行卡', 'How to replace the Huabei bundled bank card']

model = SentenceModel('shibing624/text2vec-base-multilingual')
embeddings = model.encode(sentences)
print(embeddings)

使用 HuggingFace Transformers

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)

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('shibing624/text2vec-base-multilingual')
model = AutoModel.from_pretrained('shibing624/text2vec-base-multilingual')
sentences = ['如何更換花唄綁定銀行卡', 'How to replace the Huabei bundled bank card']
# 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

from sentence_transformers import SentenceTransformer

m = SentenceTransformer("shibing624/text2vec-base-multilingual")
sentences = ['如何更換花唄綁定銀行卡', 'How to replace the Huabei bundled bank card']

sentence_embeddings = m.encode(sentences)
print("Sentence embeddings:")
print(sentence_embeddings)

📚 詳細文檔

模型信息

評估

要對該模型進行自動評估，請參閱 評估基準：text2vec。

支持語言

可用語言包括：德語（de）、英語（en）、西班牙語（es）、法語（fr）、意大利語（it）、荷蘭語（nl）、波蘭語（pl）、葡萄牙語（pt）、俄語（ru）和中文（zh）。

發佈模型

本項目release模型的中文匹配評測結果：

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
• 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
• 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

🔧 技術細節

完整模型架構

CoSENT(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_mean_tokens': True})
)

預期用途

本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。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

我們使用預訓練的 sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 模型。有關預訓練過程的更多詳細信息，請參閱該模型卡片。

微調

我們使用對比目標對模型進行微調。形式上，我們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。

📄 許可證

本模型採用Apache-2.0許可證。

Citing & Authors

本模型由 text2vec 訓練。

如果你覺得這個模型有幫助，請隨意引用：

@software{text2vec,
  author = {Ming Xu},
  title = {text2vec: A Tool for Text to Vector},
  year = {2023},
  url = {https://github.com/shibing624/text2vec},
}