模型概述
模型特點
模型能力
使用案例
🚀 shibing624/text2vec-base-chinese
這是一個CoSENT(餘弦句子)模型:shibing624/text2vec-base-chinese。它能將句子映射到一個768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
你可以通過以下幾種方式使用該模型:
使用text2vec庫
如果你安裝了 text2vec,使用這個模型會很簡單:
pip install -U text2vec
然後你可以這樣使用模型:
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-base-chinese')
embeddings = model.encode(sentences)
print(embeddings)
使用HuggingFace Transformers庫
如果沒有安裝 text2vec,你可以這樣使用模型: 首先,你需要將輸入通過Transformer模型,然後對上下文詞嵌入應用正確的池化操作。 安裝transformers庫:
pip install transformers
然後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-base-chinese')
model = BertModel.from_pretrained('shibing624/text2vec-base-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。 安裝sentence-transformers庫:
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-base-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
- 該模型能將句子映射到768維的密集向量空間,可用於多種自然語言處理任務,如句子嵌入、文本匹配或語義搜索。
- 支持多種使用方式,可通過text2vec、HuggingFace Transformers、sentence-transformers等庫調用。
- 提供了模型加速的方法,如ONNX優化、OpenVINO加速和量化等。
📦 安裝指南
根據不同的使用方式,安裝相應的依賴庫:
- 使用text2vec:
pip install -U text2vec
- 使用HuggingFace Transformers:
pip install transformers
- 使用sentence-transformers:
pip install -U sentence-transformers
💻 使用示例
基礎用法
通過text2vec庫實現句子嵌入:
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-base-chinese')
embeddings = model.encode(sentences)
print(embeddings)
高級用法
使用ONNX優化的模型進行GPU加速:
from sentence_transformers import SentenceTransformer
model = SentenceTransformer(
"shibing624/text2vec-base-chinese",
backend="onnx",
model_kwargs={"file_name": "model_O4.onnx"},
)
embeddings = model.encode(["如何更換花唄綁定銀行卡", "花唄更改綁定銀行卡", "你是誰"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)
📚 詳細文檔
評估
對於該模型的自動評估,請參閱 評估基準:text2vec
- 中文文本匹配任務:
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 |
Instructor | hfl/chinese-roberta-wwm-ext | moka-ai/m3e-base | 41.27 | 63.81 | 74.87 | 12.20 | 76.96 | 75.83 | 60.55 | 57.93 | 2980 |
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 | 4004 |
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sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
模型是用SBERT訓練,是paraphrase-MiniLM-L12-v2
模型的多語言版本,支持中文、英文等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
模型加速
模型 | ATEC | BQ | LCQMC | PAWSX | STSB |
---|---|---|---|---|---|
shibing624/text2vec-base-chinese (fp32, 基線) | 0.31928 | 0.42672 | 0.70157 | 0.17214 | 0.79296 |
shibing624/text2vec-base-chinese (onnx-O4, #29) | 0.31928 | 0.42672 | 0.70157 | 0.17214 | 0.79296 |
shibing624/text2vec-base-chinese (ov, #27) | 0.31928 | 0.42672 | 0.70157 | 0.17214 | 0.79296 |
shibing624/text2vec-base-chinese (ov-qint8, #30) | 0.30778 (-3.60%) | 0.43474 (+1.88%) | 0.69620 (-0.77%) | 0.16662 (-3.20%) | 0.79396 (+0.13%) |
簡而言之:
- ✅ shibing624/text2vec-base-chinese (onnx-O4),ONNX優化到 O4 不會降低性能,但在GPU上可實現 ~2倍加速。
- ✅ shibing624/text2vec-base-chinese (ov),OpenVINO不會降低性能,但在CPU上可實現1.12倍加速。
- 🟡 shibing624/text2vec-base-chinese (ov-qint8),使用OV進行int8量化在某些任務上會有小的性能損失,在其他任務上有微小的性能提升,在使用中文STS-B進行量化時。此外,在CPU上可實現 4.78倍加速。
- 使用方法:shibing624/text2vec-base-chinese (onnx-O4),用於GPU
from sentence_transformers import SentenceTransformer
model = SentenceTransformer(
"shibing624/text2vec-base-chinese",
backend="onnx",
model_kwargs={"file_name": "model_O4.onnx"},
)
embeddings = model.encode(["如何更換花唄綁定銀行卡", "花唄更改綁定銀行卡", "你是誰"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)
- 使用方法:shibing624/text2vec-base-chinese (ov),用於CPU
# pip install 'optimum[openvino]'
from sentence_transformers import SentenceTransformer
model = SentenceTransformer(
"shibing624/text2vec-base-chinese",
backend="openvino",
)
embeddings = model.encode(["如何更換花唄綁定銀行卡", "花唄更改綁定銀行卡", "你是誰"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)
- 使用方法:shibing624/text2vec-base-chinese (ov-qint8),用於CPU
# pip install optimum
from sentence_transformers import SentenceTransformer
model = SentenceTransformer(
"shibing624/text2vec-base-chinese",
backend="onnx",
model_kwargs={"file_name": "model_qint8_avx512_vnni.onnx"},
)
embeddings = model.encode(["如何更換花唄綁定銀行卡", "花唄更改綁定銀行卡", "你是誰"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)
完整模型架構
CoSENT(
(0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_mean_tokens': True})
)
預期用途
我們的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個詞片時會被截斷。
訓練過程
預訓練
我們使用預訓練的 hfl/chinese-macbert-base
模型。有關預訓練過程的更多詳細信息,請參考該模型的卡片。
微調
我們使用對比目標對模型進行微調。形式上,我們從批次中的每個可能的句子對計算餘弦相似度。然後通過與真實對和虛假對進行比較來應用排序損失。
超參數
- 訓練數據集:https://huggingface.co/datasets/shibing624/nli_zh
- 最大序列長度:128
- 最佳輪數:5
- 句子嵌入維度:768
🔧 技術細節
預訓練
使用預訓練的hfl/chinese-macbert-base
模型,藉助其在大規模中文語料上學習到的語言知識,為後續的微調提供良好的初始化。
微調
採用對比目標進行微調,通過計算批次中句子對的餘弦相似度,並應用排序損失來優化模型。具體來說,會比較真實對和虛假對的相似度,使得真實對的相似度儘可能高,虛假對的相似度儘可能低。
超參數設置
- 訓練數據集:使用了https://huggingface.co/datasets/shibing624/nli_zh 數據集,該數據集包含了豐富的中文自然語言推理數據,有助於模型學習到更準確的語義信息。
- 最大序列長度:設置為128,這是為了在保證模型能夠處理一定長度文本的同時,控制計算資源和訓練時間。
- 最佳輪數:經過實驗確定為5,在這個輪數下模型在驗證集上的表現達到最佳。
- 句子嵌入維度:設置為768,這個維度能夠較好地捕捉句子的語義信息,同時也與預訓練模型的輸出維度相匹配。
📄 許可證
該模型使用Apache-2.0許可證。
Citing & Authors
該模型由 text2vec 團隊訓練。
如果你覺得這個模型有幫助,請隨意引用:
@software{text2vec,
author = {Xu Ming},
title = {text2vec: A Tool for Text to Vector},
year = {2022},
url = {https://github.com/shibing624/text2vec},
}







