Sbert Pq

🚀 SBERT_PQ

SBERT_PQ 是一個基於 sentence-transformers 的模型，主要用於判斷短文本（大多為 10 - 15 個單詞的單句）與問題之間的相關性。該模型能為文本和問題分別計算出維度為 312 的向量，通過計算這兩個向量間夾角的餘弦值，可評估文本是否包含問題的答案。在 對話系統項目 中，它被用於根據對話者提出的問題，在事實數據庫中進行語義搜索。

✨ 主要特性

• 輕量級與高效性：該模型基於 cointegrated/rubert-tiny2，模型體積小，即使在 CPU 上也能快速完成推理。
• 高準確性：在測試集（佔數據集的 10%）上，cossim_f1 指標的最大值達到了 0.986。若以 sberbank-ai/ruBert-base 模型為基礎，cossim_f1 最大值可達 0.992。

📦 安裝指南

若要使用該模型，需要安裝 sentence-transformers 庫，可使用以下命令進行安裝：

pip install -U sentence-transformers

💻 使用示例

基礎用法

以下代碼展示瞭如何使用該模型判斷一組“文本 - 問題”對的相關性：

import sentence_transformers

sentences = ["Кошка ловит мышку.", "Чем занята кошка?"]

model = sentence_transformers.SentenceTransformer('inkoziev/sbert_pq')
embeddings = model.encode(sentences)

s = sentence_transformers.util.cos_sim(a=embeddings[0], b=embeddings[1])
print('text={} question={} cossim={}'.format(sentences[0], sentences[1], s))

📄 許可證

本項目採用 Unlicense 許可證。

📚 詳細文檔

引用信息

若你在研究中使用了該模型，可以按照以下 BibTeX 格式進行引用：

@MISC{rugpt_chitchat,
    author  = {Ilya Koziev},
    title   = {Texts & Questions Relevancy Model},
    url     = {https://huggingface.co/inkoziev/sbert_pq},
    year    = 2022
}

模型信息